PCA 回归算法matlab实现

最新推荐文章于 2023-10-22 11:45:55 发布

原创

最新推荐文章于 2023-10-22 11:45:55 发布 · 2.9k 阅读

17 ·

CC 4.0 BY-SA版权

文章标签：

#matla

这篇博客介绍了PCA（主成分分析）回归算法，并提供了MATLAB实现的详细步骤。PCA主要用于降维，通过手动计算和MATLAB内置函数`pca`展示了如何进行主成分分析。文中还提到了PCA计算的优化技巧，以及相关参考资料。

先附代码pca回归

close all
clear
clc;                           %素质3连
format short
pzz = xlsread('7000sgfb','A1:DZ5549');  %读取文件
data = pzz';
n=randperm(130);%随机130个样本
%%%——————%%%
y_test = data(n(98:130),1);   %随机选取33个测试样本
x_test = data(n(98:130),2:end);
y_train = data(n(1:97),1);
x_train = data(n(1:97),2:end);
%%%——————%%%
%主成分分析Pca，降成m维变量，提取95%以上的有效信息
    swum =0;
    m=0;
    [coeff,score,latent,tsquared,explained]= princomp(data(1:97,2:end));
    for ii = 1 : length(latent)
    swum = latent(ii) + swum;
    if swum/sum(latent) >= 0.95
        m = ii;
        break;
    end
    end
    
    %————%降成m维后的回归分析
    x = [ones(97,1) score(:,1:m)];
    [b,brint,r] =regress(y_train,x);
    x_test=(x_test - mean(x_train))*coeff(:,1:m);
    y_fit = [ones(33,1),x_test]*b;
    A(:,1) = y_test;
    A(:,2) =y_fit;
  
    A(:,3) =  abs(y_fit - y_test);
    pp = corr(A);  %计算出相关系数
    sss=pp(2,1)

小白在学习，今天对PCA(主