matlab pca函数

MATLAB的PCA函数是`pca()`函数。该函数可以使用以下语法调用：

[coeff,score,latent,tsquared,explained,mu] = pca(X)
[coeff,score,latent,tsquared,explained,mu] = pca(X,'Name',Value)

其中，`X`是一个$n$行$p$列的矩阵，表示$n$个样本的$p$个特征值。可选的名称-值对参数包括：

- `'Centered'`：指定是否对数据进行中心化。默认为 true。
- `'Economy'`：指定是否计算经济型PCA。默认为 false。
- `'NumComponents'`：指定要计算的主成分数量。默认为 min(n-1,p)。
- `'VariableWeights'`：指定每个变量的权重。默认为等权重。

该函数返回以下输出参数：

- `coeff`：PCA的主成分系数矩阵。
- `score`：得分矩阵，表示每个样本在主成分上的投影。
- `latent`：每个主成分的方差。
- `tsquared`：每个样本的Hotelling's T-squared统计量。
- `explained`：每个主成分的方差解释百分比。
- `mu`：每个变量的均值向量，如果进行了中心化，则为零向量。

例如，以下代码将数据矩阵`X`进行PCA：

load fisheriris
X = meas;
[coeff,score,latent,tsquared,explained,mu] = pca(X);

在这个例子中，`coeff`是一个$p$行$p$列的矩阵，其中$p$是特征数量。每行都表示一个主成分，每列都表示一个特征。`score`是一个$n$行$p$列的矩阵，其中$n$是样本数量。每行都表示一个样本在主成分上的得分，每列都表示一个主成分。`latent`是一个长度为$p$的向量，表示每个主成分的方差。`explained`是一个长度为$p$的向量，表示每个主成分的方差解释百分比。