input_data = rand(1000,3);%隨機(jī)生成1000個(gè)樣本，每個(gè)樣本有x,y,z三個(gè)屬性 figure(1);

%控制畫圖的窗口為1

hold off;

%使當(dāng)前軸和圖形不再具備被刷新的性質(zhì)，關(guān)閉在此基礎(chǔ)上再畫圖

plot3(input_data(:,1), input_data(:,2), input_data(:,3), ‘ro‘);

%% Function PCA, input_data, out_dim

% Use this to switch methods

use_svd_method=1;

%改為0后采用EIG方式求解，默認(rèn)采用SVD方法

out_dim = 2;

[count in_dim] = size(input_data);

% SVD方法求解PCA，計(jì)算步驟此處不詳解，可查看關(guān)于PCA的另外兩篇博文

if (use_svd_method)

sub_input_data = (input_data - repmat(mean(input_data),count,1))/sqrt(count-1);

%repmat(a,m,n)就是將矩陣擴(kuò)充為m行n列個(gè)矩陣a，此處是指將mean(input_data)擴(kuò)充為1000行1列，結(jié)果就是將input_data每列的均值重復(fù)1000遍，生成一個(gè)1000*3的矩陣，sqrt是求開(kāi)方

[U,S,V] = svd(sub_input_data);

% First out_dim columns as PCA bases

pcaV = V(:,1:out_dim);

output_data = input_data * pcaV;

else

% EIG 特征值分解方法求解PCA

mean_input_data = mean(input_data);

sub_input_data = input_data - repmat(mean_input_data, count,1);

mean_mat = sub_input_data‘ * sub_input_data ./ (count - 1);

cov_mat = mean_mat;

[V D] = eig(cov_mat);

% Last out_dim columns as PCA bases

pcaV = V(:,in_dim - out_dim + 1: in_dim);

output_data = input_data * pcaV;

end

%% End Function PCA

%% Visualize Output Data

figure(2);

hold off;

plot(output_data(:,1), output_data(:,2), ‘bo‘);%bo代表blue顏色的o(圓圈)

原數(shù)據(jù)展示圖：

降維后的展示圖：

原文：http://my.oschina.net/dfsj66011/blog/513387

創(chuàng)作挑戰(zhàn)賽新人創(chuàng)作獎(jiǎng)勵(lì)來(lái)咯，堅(jiān)持創(chuàng)作打卡瓜分現(xiàn)金大獎(jiǎng)

總結(jié)

以上是生活随笔為你收集整理的matlab pca可视化,利用Matlab实现PCA demo展示的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。