该包包含实现主成分分析 (PCA) 和独立成分分析 (ICA) 的函数。 PCA 和 ICA 在此包中作为函数实现，并包含多个示例来演示它们的使用。 在 PCA 中，多维数据被投影到对应于其几个最大奇异值的奇异向量上。 这种操作有效地将输入单个分解为数据中最大方差方向上的正交分量。 因此，PCA 经常用于降维应用，其中执行 PCA 会产生数据的低维表示，可以将其反转以紧密地重建原始数据。 在 ICA 中，多维数据被分解为在适当意义上最大程度独立的组件（峰态和负熵，在这个包中）。 ICA 与 PCA 的不同之处在于，低维信号不一定对应最大方差的方向； 相反，ICA 组件具有最大的统计独立性。 在实践中，ICA 通常可以揭示多维数据中不相交的潜在趋势。

将给定数据进行降维后，利用K-means进行聚类

主成分分析（PCA）的目的原理总结详解.docx

用Matlab实现主成分分析(PCA)算法(带论文).rar

【图像压缩】基于主成分分析PCA算法实现图像压缩matlab源码.md

上完陈恩红老师的《机器学习与知识发现》和季海波老师的《矩阵代数》两门课之后，颇有体会。最近在做主成分分析和奇异值分解方面的项目，所以记录一下心得体会。在许多领域的研究与应用中，往往需要对反映事物的多个变量进行大量的观测，收集大量数据以便进行分析寻找规律。多变量大样本无疑会为研究和应用提供了丰富的信息，但也在一定程度上增加了数据采集的工作量，更重要的是在多数情况下，许多变量之间可能存在相关性，从而增加了问题分析的复杂性，同时对分析带来不便。如果分别对每个指标进行分析，分析往往是孤立的，而不是综合的。盲目减少指标会损失很多信息，容易产生错误的结论。因此需要找到一个合理的方法，在减少需要分析的指标同

主成分分析 PCA 推导过程 案例分析

som matlab代码自组织图 用于自组织地图（SOM）等的Matlab工具箱。 SOM Toolbox 2.0是用于实现自组织地图算法的Matlab 5的软件库，由Esa Alhoniemi，Johan Himberg，Jukka Parviainen和Juha Vesanto版权所有（C）1999。 运行SOM代码 运行主Matlab文件需要该目录中的所有文件：'data2kde2som'。 该文件将分类（即合并）的数据转换为内核密度估计，然后通过Vesanto等人的SOM功能运行该估计。 需要两个（CSV）输入来运行“ data2kde2som” ：( 1）bin_midpoints（分类数据的每个bin的中点）和（2）适合您的bin的数据（每行代表每个点的数据分布）。 执行主成分分析（PCA） 还有一个名为“ pca_surrey”的文件，对两个文件执行PCA（与SOM输出进行比较）。

图像的均方误差的matlab代码

【图像压缩】基于主成分分析PCA算法实现图像压缩matlab源码.zip