Question

我使用以下代码计算PCA：

    function [signals,PC,V] = pca2(data) 
    [M,N] = size(data); 
    % subtract off the mean for each dimension 
    mn = mean(data,2); 
    data = data - repmat(mn,1,N); 
    % construct the matrix Y 
    Y = data’ / sqrt(N-1); 
    % SVD does it all 
    [u,S,PC] = svd(Y); 
    % calculate the variances 
    S = diag(S); 
    V = S .* S; 
    % project the original data 
    signals = PC’ * data;

我希望保持主成分具有最大方差，也就是说可能是导致最大方差的前10个主成分。我该怎么做？

Answer 1

function [signals,V] = pca2(data) 
    [M,N] = size(data); 
    data = reshape(data, M*N,1);
    % subtract off the mean for each dimension 
    mn = mean(data,2); 
    data = bsxfun(@minus, data, mean(data,1));     
    % construct the matrix Y 
    Y = data'*data / (M*N-1); 
    [V D] = eigs(Y, 10);   % reduce to 10 dimension
    % project the original data 
    signals = data * V;

Answer 2

我猜svds可以为你完成这项工作。

在文档中，它说：

s = svds（A，k）计算k个最大奇异值并相关联矩阵A的奇异向量。

本质上是k个最大的特征值和特征向量。这些按特征值按降序排序。

因此，对于10个主要组件，只需使用[eigvec eigval] = svds(Y, 10);

在matlab中查找具有最大方差的主成分

2 个答案: