利用Matlab实现PCA demo展示

时间：2015-10-03 23:18:47 阅读：1471 评论：0 收藏：0 [点我收藏+]

标签：

input_data = rand(1000,3);%随机生成1000个样本，每个样本有x,y,z三个属性

figure(1); %控制画图的窗口为1
hold off; %使当前轴和图形不再具备被刷新的性质，关闭在此基础上再画图
plot3(input_data(:,1), input_data(:,2), input_data(:,3), ‘ro‘);

%% Function PCA, input_data, out_dim
% Use this to switch methods
use_svd_method=1; %改为0后采用EIG方式求解，默认采用SVD方法
out_dim = 2;
[count in_dim] = size(input_data);

% SVD方法求解PCA，计算步骤此处不详解，可查看关于PCA的另外两篇博文
if (use_svd_method)
sub_input_data = (input_data - repmat(mean(input_data),count,1))/sqrt(count-1); %repmat(a,m,n)就是将矩阵扩充为m行n列个矩阵a，此处是指将mean（input_data）扩充为1000行1列，结果就是将input_data每列的均值重复1000遍，生成一个1000*3的矩阵，sqrt是求开方
[U,S,V] = svd(sub_input_data);
% First out_dim columns as PCA bases
pcaV = V(:,1:out_dim);
output_data = input_data * pcaV;
else
% EIG 特征值分解方法求解PCA
mean_input_data = mean(input_data);
sub_input_data = input_data - repmat(mean_input_data, count,1);
mean_mat = sub_input_data‘ * sub_input_data ./ (count - 1);
cov_mat = mean_mat;
[V D] = eig(cov_mat);
% Last out_dim columns as PCA bases
pcaV = V(:,in_dim - out_dim + 1: in_dim);
output_data = input_data * pcaV;
end

%% End Function PCA

%% Visualize Output Data
figure(2);
hold off;

plot(output_data(:,1), output_data(:,2), ‘bo‘);%bo代表blue颜色的o（圆圈）

原数据展示图：

技术分享

降维后的展示图：

技术分享

利用Matlab实现PCA demo展示

标签：

原文地址：http://my.oschina.net/dfsj66011/blog/513387

踩

(0)

评论一句话评论（0）

分享档案

更多>

2021年07月29日 (22)
2021年07月28日 (40)
2021年07月27日 (32)
2021年07月26日 (79)
2021年07月23日 (29)
2021年07月22日 (30)
2021年07月21日 (42)
2021年07月20日 (16)
2021年07月19日 (90)
2021年07月16日 (35)

周排行