我在63 * 2308矩阵上进行PCA并获得分数和系数矩阵。得分矩阵为63 * 2308，系数矩阵的尺寸为2308 * 2308。
如何提取前100个最重要的功能的列名，以便我可以对它们进行回归？
答案 0 :(得分：4)
PCA应该为您提供一组特征向量（您的系数矩阵）和一个特征值向量（1 * 2308），通常称为lambda）。您可能会在matlab中使用不同的PCA函数来获取它们。
特征值表示每个特征向量解释的数据量。选择特征的简单方法是选择具有最高特征值的100个特征。这为您提供了一组功能，可以解释数据中的大部分差异。
如果你需要证明你的写作方法，你实际上可以计算出每个特征向量解释的方差量，并且例如解释为95％的方差。
请记住，仅基于特征值进行选择可能与对回归最重要的特征集不对应，因此如果您没有获得预期的性能，可能需要尝试不同的特征选择方法，例如递归特征选择。我建议使用谷歌学者找几篇相似的文章，看看他们使用的是什么方法。
使用PCA获取前100个主要组件的快速matlab示例。
[eigenvectors, projected_data, eigenvalues] = princomp(X);
[foo, feature_idx] = sort(eigenvalues, 'descend');
selected_projected_data = projected(:, feature_idx(1:100));
答案 1 :(得分：0)
你试过
吗？B = sort(your_matrix,2,'descend');
C = B(:,1:100);
答案 2 :(得分：0)
小心！
只有63个观察值和2308个变量，您的PCA结果将毫无意义，因为数据未指定。你应该至少（经验法则）尺寸* 3观察。
通过63次观测，您最多可以定义62维超空间！