MATLAB中的主成分分析
computer-vision
machine-learning
matlab
4
0

我正在使用特征值分解实现稀疏数据的PCA。我知道matlab实现了PCA,但是当我编写代码时,它可以帮助我了解所有技术。我一直从这里开始遵循指南,但是与内置函数princomp相比,我得到了不同的结果。

任何人都可以看一下,并指出正确的方向。

这是代码:

function [mu, Ev, Val ] = pca(data)

% mu - mean image
% Ev - matrix whose columns are the eigenvectors corresponding to the eigen
% values Val 
% Val - eigenvalues

if nargin ~= 1
 error ('usage: [mu,E,Values] = pca_q1(data)');
end

mu = mean(data)';

nimages = size(data,2);

for i = 1:nimages
 data(:,i) = data(:,i)-mu(i);
end

L = data'*data;
[Ev, Vals]  = eig(L);    
[Ev,Vals] = sort(Ev,Vals);

% computing eigenvector of the real covariance matrix
Ev = data * Ev;

Val = diag(Vals);
Vals = Vals / (nimages - 1);

% normalize Ev to unit length
proper = 0;
for i = 1:nimages
 Ev(:,i) = Ev(:,1)/norm(Ev(:,i));
 if Vals(i) < 0.00001
  Ev(:,i) = zeros(size(Ev,1),1);
 else
  proper = proper+1;
 end;
end;

Ev = Ev(:,1:nimages);
参考资料:
Stack Overflow
收藏
评论
共 1 个回答
高赞 时间 活跃

这是我的处理方式:

function [V newX D] = myPCA(X)
    X = bsxfun(@minus, X, mean(X,1));           %# zero-center
    C = (X'*X)./(size(X,1)-1);                  %'# cov(X)

    [V D] = eig(C);
    [D order] = sort(diag(D), 'descend');       %# sort cols high to low
    V = V(:,order);

    newX = X*V(:,1:end);
end

以及与统计工具箱中的PRINCOMP函数进行比较的示例:

load fisheriris

[V newX D] = myPCA(meas);
[PC newData Var] = princomp(meas);

您可能也对这篇有关通过SVD执行PCA的相关文章感兴趣。

收藏
评论
新手导航
  • 社区规范
  • 提出问题
  • 进行投票
  • 个人资料
  • 优化问题
  • 回答问题

关于我们

常见问题

内容许可

联系我们

@2020 AskGo
京ICP备20001863号