目录

1.PCA函数的输入与输出参数

2.PCA函数的使用方法

参考文献：

1.PCA函数的输入与输出参数

function [coeff, score, latent, tsquared, explained, mu] = pca(x,varargin)

输入参数：

X，数据集，假设样本的个数为N，每个样本的特征个数为P，则 X是N×P的矩阵。

输出参数：

COEFF，返回N×P数据矩阵X的主成分系数。X的行对应于观测值，列对应于变量。每列系数包含一个主成分的系数。各列按主成分方差（latent）降序排列。默认情况下，PCA将数据居中并使用奇异值分解算法。对于非默认选项，请使用名称/值对参数。

SCORE，返回主成分得分，它是X在主成分空间中的表示。score的行对应观察值，列对应主成分。中心数据可以用SCORE*COEFF'重建。

LATENT，返回每个主成分方差，即X的协方差矩阵的特征值，特征值从大到小进行排序。

TSQUARED，返回X中每个观测值的Hotelling T平方统计值。PCA使用所有主分量计算TSQUARED（在整个空间中计算），即使请求的组件较少（请参见下面的“NumComponents”选项）。对于缩小空间中的TSQUARED，使用MAHAL（SCORE，SCORE）。

EXPLAINED，返回一个向量，其中包含每个主成分方差占总方差的百分比。

MU，“Centered”设置为true时返回估计的平均值MU；设置为false时返回所有零。

2.PCA函数的使用方法

clc;
clear;
load feature;
[coeff, score, latent, tsquared, explained, mu]=pca(feature);
a=cumsum(latent)./sum(latent);   % 计算特征的累计贡献率
% explained和latent均可用来计算降维后取多少维度能够达到自己需要的精度，且效果等价。
% explained=100*latent./sum(latent); 
idx=find(a>0.9);     % 将特征的累计贡献率不小于0.9的维数作为PCA降维后特征的个数
k=idx(1);
Feature=score(:,1:k);   % 取转换后的矩阵score的前k列为PCA降维后特征

参考文献：

[1]matlab 自带pca函数

[2]MATLAB帮助文档