主成分分析matlab

在MATLAB中进行主成分分析可以使用`pca`函数。其基本语法如下：

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

其中，输入参数`X`是一个大小为m×n的数据矩阵，其中m是样本数量，n是特征数量。输出参数包括：

- `coeff`：一个n×n的矩阵，包含了每个主成分的方向向量。
- `score`：一个m×n的矩阵，包含了每个样本在主成分上的投影值。
- `latent`：一个n×1的向量，包含了每个主成分的方差。
- `tsquared`：一个m×1的向量，包含了每个样本在所有主成分上的马氏距离平方。
- `explained`：一个n×1的向量，包含了每个主成分对总方差的解释比例。
- `mu`：一个1×n的向量，包含了每个特征的均值。

下面是一个简单的例子：

% 加载数据
load fisheriris
X = meas;

% 进行主成分分析
[coeff,score,latent,tsquared,explained,mu] = pca(X);

% 绘制解释比例的条形图
bar(explained)
title('Explained Variance')
xlabel('Principal Component')
ylabel('Variance Explained (%)')

这个例子使用了经典的鸢尾花数据集，其中包含了150个样本和4个特征。通过`pca`函数，我们得到了每个主成分的方向向量、每个样本在主成分上的投影值、每个主成分的方差、每个样本在所有主成分上的马氏距离平方、每个主成分对总方差的解释比例以及每个特征的均值。最后，我们可以绘制解释比例的条形图，来看看每个主成分对总方差的解释比例。