MATLAB怎么做主成分分析

1.在对数据进行主成分分析时，需要对数据标准化处理，以消除量纲的影响，如图所示，使用代码x=zscore(A);对数据进行标准化。原则是原数据减去均值后，除以标准差。

2.标准化后，使用matlab自带主成分分析函数[coeff,score,latent,tsquare]=princomp(x);如图所示。

3.其中，coeff是各个主成分的系数也就是转换矩阵，score是各个主成分的得分，latent是X的特征值，tsquare是每个数据的统计值。这里主要看的coeff、latent。如图所示。

4.接下来计算每个特征的贡献率，输入代码latent’；、y=(100*latent/sum(latent))'; 如图所示。

5.提取主成分的方法是依据前N个特征值的累计贡献率为准则，若累计贡献率为85%以上，则说明这前N个特征可以代表去不数据的绝大部分信息。如图所示（将每个特征的贡献率复制到Excel相加，累计达到85%）前99个特征。

6.由于前99个特征的累计贡献率达到85%。故可以使用此前99个特征的信息表示大部分的原始信息。取前99个特征的特征向量作为转换矩阵，即coeff（:,1:99）。降维后的数据B=x*coeff（:,1:99）；如图所示，新数据只能99个特征（原数据有841个特征）达到降维的结果。

1、在对数据进行主成分分析时，需要对数据标准化处理，以消除量纲的影响，如图所示，使用代码x=zscore(A);对数据进行标准化。原则是原数据减去均值后，除以标准差。

2、标准化后，使用matlab自带主成分分析函数[coeff,score,latent,tsquare]=princomp(x);如图所示

3、其中，coeff是各个主成分的系数也就是转换矩阵，score是各个主成分的得分，latent是X的特征值，tsquare是每个数据的统计值。这里主要看的coeff、latent。如图所示

4、接下来计算每个特征的贡献率，输入代码latent’；、y=(100*latent/sum(latent))'; 如图所示

5、提取主成分的方法是依据前N个特征值的累计贡献率为准则，若累计贡献率为85%以上，则说明这前N个特征可以代表去不数据的绝大部分信息。如图所示（将每个特征的贡献率复制到Excel相加，累计达到85%）前99个特征。

6、由于前99个特征的累计贡献率达到85%。故可以使用此前99个特征的信息表示大部分的原始信息。取前99个特征的特征向量作为转换矩阵，即coeff（:,1:99）；

降维后的数据B=x*coeff（:,1:99）；如图所示，新数据只能99个特征（原数据有841个特征）达到降维的结果。