- pca函数使用方法
[coeff, score] = pca(data);
（1）输入参数
data：待降维的数据集
（2）输出参数
coeff：主成分分量，即样本协方差矩阵的特征向量；
score：主成分，即样本在低维空间的投影，也就是降维后的数据。
注意：score 的维度和原始样本 data 的维度一致，如果想要降到 k 维，只需选取 score 的前 k 列即可~
%%
clear; clc; close all; warning off;
%% 加载数据集
load('DataSet_UCIwine');
%% PCA降维
[coeff, score]= pca(data); % coeff是主成分分量，即样本协方差矩阵的特征向量；score是主成分，即data在低维空间的投影，也就是降维后的数据，维度和data相同，若想降维到k维，只需要取前k列即可。
res = score(:, 1:3); % 降维后的数据
- wine数据可视化
因为数据是三维数据，所以使用 scatter3() 实现数据可视化。
%% 原始数据可视化
figure(1);
s = 50 * ones(numel(label), 1); % numel()：求数组元素的数目
color = label; % 设置散点的颜色为标签颜色，label为数据标签（三分类数据展示出三种不同的颜色，方便观察数据集）
scatter3(res(:, 1), res(:, 2), res(:, 3), s, color);
xlabel('dim-1'); ylabel('dim-2'); zlabel('dim-3');
title(['PCA降维后的数据分布 数据集样本个数=', num2str(numel(label))]);
（参考：scatter3）
（参考：numel）
Original: https://blog.csdn.net/weixin_40583722/article/details/121801717
Author: Satisfying
Title: 【20211208】【Matlab】使用Matlab中的pca函数实现数据降维，并将数据可视化
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/625160/
转载文章受原作者版权保护。转载请注明原作者出处！