matlab把矩阵PCA算法降至二维，绘制散点图

以下是 MATLAB 代码示例：

% 生成样本矩阵 X
X = randn(100, 5);

% 将 X 进行中心化
X = X - mean(X);

% 计算协方差矩阵
C = cov(X);

% 对协方差矩阵进行特征值分解
[V, D] = eig(C);

% 将特征向量按特征值大小排序
[~, idx] = sort(diag(D), 'descend');
V = V(:, idx);

% 取前两个特征向量，构成投影矩阵 W
W = V(:, 1:2);

% 将样本矩阵 X 降至二维
Y = X * W;

% 绘制散点图
scatter(Y(:, 1), Y(:, 2));

解释一下上面的代码：

1. 首先，我们生成一个 100 行 5 列的样本矩阵 X，其中每一行表示一个样本，每一列表示一个特征。
2. 然后对 X 进行中心化，即减去每一列的均值。
3. 计算协方差矩阵 C。
4. 对 C 进行特征值分解，得到特征向量矩阵 V 和特征值矩阵 D。
5. 将特征向量按特征值大小排序，得到排序后的特征向量矩阵 V。
6. 取前两个特征向量，构成投影矩阵 W。
7. 将样本矩阵 X 降至二维，即 Y = X * W。
8. 最后，绘制散点图，其中 X 轴表示 Y 的第一列，Y 轴表示 Y 的第二列。

需要注意的是，上面的代码中没有对数据进行归一化，因此结果可能受到不同特征的数值范围影响。在实际应用中，建议对数据进行归一化处理。