我正在尝试使用PCA提取功能。现在我从StackExchange获得了一个MATLAB代码，如下所示，它选择了PCA之后最相关的前100个功能。现在，当我执行代码时，我发现特征值已经在第一个语句中排序了。为什么我们需要再次按降序对其进行排序？
[eigenvectors, projected_data, eigenvalues] = princomp(proteingene);
[foo, feature_idx] = sort(eigenvalues, 'descend');
selected_projected_data = projected_data(:, feature_idx(1:100));
另一个问题是，根据我的功能集，projected_data变量显示值为0的列（要素）。这意味着这些功能没有多大意义。我对吗？
最后一个问题是，我怎么知道哪些是PCA中提取的功能？
答案 0 :(得分：2)
我发现特征值已经在第一个中排序了 声明。为什么我们需要再次按降序对其进行排序？
您不需要再次排序，因为princomp默认情况下会这样做。但是，princomp现在是不推荐使用的函数，因此您应该使用内置函数PCA。
我只能推测代码的作者包含了对完整性进行排序的调用，因此很清楚他在做什么（作为sort返回feature_idx）。
例如，以下代码段实现了相同的结果，但对于读者来说并不清楚：
[eigenvectors, projected_data, eigenvalues] = princomp(proteingene);
selected_projected_data = projected_data(:, 1:100);
对于学习PCA的人来说，1：100是什么意思？
根据我的功能集，另一个问题是projected_data 变量显示值为0的列（要素）。这意味着 这些功能没有多大意义。我是对的吗？
我认为一个安全的答案是，如果相应的特征值的值接近于0，那么您的特征就不具有重要意义。您可以通过查看eigenvalue(feature_idx)来检查该特征，如果是你发布的代码。条目为0的列（要素）仅表示它们不跨越您空间的某个维度。您可以将它们视为标准实数向量空间中的向量。
最后一个问题是，我怎么知道哪些是功能 在PCA中提取？
这些是projected_data给出的！该变量包含沿特征向量方向投影的数据。
你看，特征提取实际上是对PCA分解的解释。 PCA没有＆＃34;提取＆＃34;任何功能，它只是更改描述您的数据的矢量基础（您可以看到视觉解释here）。基数由proteingene的特征向量组成。
提取＆＃34;提取＆＃34;功能您必须决定您的投影数据的哪一列与您相关。在代码示例中，提取了100个功能＆＃34;任意地，没有任何标准判断它们对特定问题的重要性。
selected_projected_data = projected_data(:, feature_idx(1:100));
事实上，如果您的数据proteingene的维度少于100个，那么您甚至会尝试使用PCA从中提取100个要素时出错。