主要参考： https://www.zhihu.com/question/38417101/answer/94338598 http://blog.jobbole.com/88208/ 先说下PCA的主要步骤： 假设原始数据是10（行，样例数 ...

function [V,S,E]=princa(X) [m,n]=size(X); %计算矩阵的行m和列n %-------------第一步：标准化矩阵-----------------% ...

【前言】主成分分析（PCA）实现一般有两种，一种是对于方阵用特征值分解去实现的，一种是对于不是方阵的用奇异值（SVD）分解去实现的。 一、特征值 　　特征值很好理解，特征值和特征向量代表了一个矩阵最鲜明的特征方向。多个特征值和特征向量的线性组合可以表示此矩阵。选取特征值最大的特征值对应 ...

最近有小伙伴在问我一个数据分析的问题, 做毕设, 实证分析. 不知道改如何处理数据. 看了下设计的量表大致是这样的, 都是 5级的里克特量表, 大致分为两波, X, Y. 小伙伴认为就只有两个变量, ...

求矩阵的秩 设 ，已知r(A)=2，则参数x，y分别是 解：任意三阶子式=0，有二阶子式≠0，但是这些子式比较多，可以使用初等变换，因为初等变换不改变矩阵的秩，可以将矩阵通过初等行（列 ...

PCA主成分分析算法，是一种线性降维，将高维坐标系映射到低维坐标系中。 如何选择低维坐标系呢？ 通过协方差矩阵的特征值和特征向量，特征向量代表坐标系，特征值代表映射到新坐标的长度。 算法步骤： 输入：样本集D={x1,x2,...,xm}； 　　　低维空间维数k 第一步：将样本集中心化 ...

PCA降维 一.原理 这篇文章总结的不错PCA的数学原理。 PCA主成分分析是将原始数据以线性形式映射到维度互不相关的子空间。主要就是寻找方差最大的不相关维度。数据的最大方差给出了数据的最重要信息。 二.优缺点 优：将高维数据映射到低维，降低数据的复杂性，识别最重要的多个特征 不足 ...