MATLAB代码练习---主成分分析

不识编程深肆海

于 2025-04-29 19:11:48 发布

阅读量404

点赞数 4

CC 4.0 BY-SA版权

文章标签：数学建模

本文链接：https://blog.csdn.net/weixin_50729902/article/details/147612190

1.主成分分析的原理与步骤

在数学建模比赛当中，主成分分析主要是用于指标的降维，通过将众多的指标进行线性组合形成较少的“主成分”实现降维作用。也就是说用较少的指标能够尽可能的反映出原始数据的大量信息。

2.代码具体思路

假设数据是完整，无缺失值、无异常值的情况下。主成分分析的具体步骤可以分解为：

（1）将数据导入到MATLAB当中，形成原始样本矩阵。

（2）对数据进行预处理：

①数据标准化处理（Z-scores标准化）：

②计算标准化样本的协方差矩阵

注：也可以综合成一步，求解样本的皮尔逊相关系数。

（3）计算R的特征值和特征向量

（4）计算主成分贡献率以及累积贡献率

（5）写出主成分

（6）画出

3.代码解读

本文使用的案例：清风老师的《棉花产量》，进行降维。

部分数据展示：

具体代码如下：

% （1）导入数据，生成样本数据矩阵cotton（数值矩阵）
% 样本数据矩阵里面，每一列分别代表年份 单产	种子费	化肥费	农药费 机械费	灌溉费
% 需要对数据第一列（年份）与第二列（单产）删除
cotton(:,[1,2])=[];
[n,m]=size(cotton);
%（2）对样本数据矩阵进行标准化处理：z-score
biaozhuncha=std(cotton);% 每一列的样本标准差
junzhi=mean(cotton);% 每一列的均值
% z-score标准化
standardization=(cotton-junzhi)./biaozhuncha;
% (3)对样本标准化数据求解协方差矩阵
xiefangcha=cov(standardization);
% (4)计算特征值与特征向量
[V,D]=eig(xiefangcha); %V是特征向量构成的矩阵；D是特征值构成的对角矩阵，V中的每一列就是D中对应特征值的特征向量
%（5）计算累积贡献率和主成分贡献率
dd=diag(D);
dd = dd(end:-1:1);  % 因为特征值向量是从小大到排序的，需要将其调个头
Contribution=dd./sum(dd); % 主成分贡献率
Cumulative_contribution=cumsum(dd)./sum(dd);    %计算累积贡献率
% 特征向量要和特征值一一对应，之前特征值相当于颠倒过来了，因此特征向量的各列需要颠倒过来
%  rot90函数可以使一个矩阵逆时针旋转90度，然后再转置，就可以实现将矩阵的列颠倒的效果
V=rot90(V)';
disp('特征值为：')
disp(dd)  % 转置为行向量，方便展示
disp('贡献率为：')
disp(Contribution)
disp('累计贡献率为：')
disp(Cumulative_contribution)
disp('与特征值对应的特征向量矩阵为：')
disp(V)
%（6）写出主成分

具体结果如下：