matlab利用PCA函数进行降维

由于本人最近需要处理的数据特征太多，导致分类不准确，特此学习了两天的PCA，找了许多资料。整理了各位博主的伪代码，并写成matlab程序，然后自己利用matlab自带的pca函数进行计算，两种方法进行比较，程序已全副武装，只需要导入自己数据就能运行。

%%   感谢@chenyu19880302 博主的博客内容，它用通俗易懂的语言介绍了pca算法的原理和代码，
%%%   本人将它的代码进行整理，并换成自己的数据进行运算，发现它没有用matlab自带的pca函数
%%%   由于本人研究的是ERP内容，数据格式可能不一样，所以运行的时候请自行修改一些参数
%%%   版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
%%%   本文链接：https://blog.csdn.net/chenyu19880302/article/details/9163303
%%%    导入数据格式为n*m，n为样本数，m为特征数
%% 第一步：输入样本矩阵%%%%%%%%%%%%%%  500个样本 62导联 24个维度
vector=dataA;    %  此为导入数据，只需要修改dataA为自己的数据即可运行
newfeature=[];
%现对其进行pca降维  
for chan=1:62
%第二步：计算样本中每一维的均值，然后计算观察值与均值之间的偏差，再计算协方差矩阵
     feature=vector（:（chan-1）*24+1:（chan*24））;  % 按导联分开
    s=sum（feature1）;%计算每一列的均值
    [nSmpnFea] = size（feature）;
    feature=feature-repmat（mean（feature）nSmp1）;%把每一维的均值复制成nSmp*nFea矩阵，然后计算偏差
    W=zeros（nFeanFea）;%建立一个nFea*nFea的零矩阵
    W=W+feature‘*feature;
    W=W/（nSmp-1）;%根据协方差公式计算协方差，得到协方差矩阵W
%第三步：计算协方差矩阵的特征值和特征向量矩阵
    fprintf（1‘Calculating generalized eigenvectors and eigenvalues...\n‘）;
    [eigvectors eigvalues] = eig（W）;%eigvectors为特征向量组成的矩阵，eigvalues特征值组成的对角矩阵
    fprintf（1‘Sorting eigenvectors according to eigenvalues...\n‘）;
    d1=diag（eigvalues）;%返回对角矩阵上的值
    [d2index]=sort（d1）; %以升序排序，d2为排列后的值，index为索引值
    cols=size（eigvectors2）;% 特征向量矩阵的列数
    for i=1:cols
    vsort（:i） = eigvectors（: index（cols-i+1） ）; % vsort 是一个M*col（注:col一般等于M）阶矩阵，保存的是按降序排列的特征向量每一列构成一个特征向量
    dsort（i） = d1（ index（cols-i+1） ）; % dsort 保存的是按降序排列的特征值，是一维行向量
    end %完成降序排列
%第四步：计算总能量，并选取贡献率最大的特征值
    dsum = sum（dsort）;%对所有的特征值求和
    dsum_extract = 0;%求前几个特征值之和当前几个特征值之和大于预设值时，可以认为这几个特征值可以表征当前矩阵
    p = 0;