Matlab中特征降维主成分分析(PCA)使用方法（整套流程） |
您所在的位置：网站首页 › pca降维方法的主要步骤 › Matlab中特征降维主成分分析(PCA)使用方法（整套流程） |
|
1. PCA简介：
PCA（Principal Component Analysis）主成分分析方法是一种常见的数据降维方法。数据维度过高可能会使得模型效果不佳。PCA主要原理是将高维原数据通过一个转换矩阵，映射到另一组低维坐标系下，从而实现数据降维。 2. matlab中pca（）函数 coeff = pca(X) coeff = pca(X,Name,Value) [coeff,score,latent] = pca(___) [coeff,score,latent,tsquared] = pca(___) [coeff,score,latent,tsquared,explained,mu] = pca(___)常用形式： [coeff,score,latent,tsquared,explained,mu] = pca(___)常用参数为coeff，score，latent coeff：主成分系数矩阵，也叫做转换矩阵，是理论中的原数据X对应的协方差矩阵的特征向量组成的矩阵score：原数据利用初始coeff转换后的新数据矩阵，但这个不是我们想要的最终转换数据，因为后续降维操作会改变coefflatent：是理论中的原数据X对应的协方差矩阵的特征值，是一个向量，并且经过排序（贡献越大越靠前） 3. PCA完整使用方法 （1）. 导入实验数据，划分出训练集train_data和测试集test_data （2）. 基于训练集用pca（）得到需要参数 [coeff,score,latent,tsquared,explained,mu] = pca(train_data) （3）. 计算主成分累计贡献率，运行下面的代码后会出现一个向量，从小到大，例如输出为[0.7,0.95,0.98,1]（数据特征有四维），0.7就代表取第一主成分贡献率70%，0.95就代表取第一主成分和第二主成分就已经得到累计贡献率95%，相当于只用两个主成分就揽括了原数据95%的信息。若只取前两个主成分，其他的丢弃，则模型也能够有着不错的效果，从而将四维数据降到了二维。一般要求累计贡献率大于等于95%就够了 cumsum(latent)/sum(latent)%累积贡献值 （4）. 基于累计贡献值确定所降到的维度数量（设为p）后，取coeff的前p列作为降维转换矩阵tran_matrix（coeff也是根据第几主成分贡献从大到小排列的） tran_matrix = coeff(:,1:p) （5）. 把训练集每列的值减去样本对应列的均值，得到train_data0，再将train_data0与转换矩阵tran_matrix相乘，得到将原始训练集降维后的新训练数据集 train_data0 = bsxfun(@minus,train_data,mean(train_data,1)); low_train_data = train_data0 * tran_matrix; （6）. 将测试集每列的值减去训练集对应列的均值，得到test_data0，再将test_data0与转换矩阵tran_matrix相乘，得到将原始测试集降维后的新测试数据集 test_data0 = bsxfun(@minus,test_data,mean(x,1)); low_test_data = test_data0 * tran_matrix; |
| CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |