PCA（主成分分析法）

主成分分析实例：一个平均值为(1,3)、标准差在(0.878,0.478)方向上为3、在其正交方向为1的高斯分布。这里以黑色显示的两个向量是这个分布的协方差矩阵的特征向量，其长度按对应的特征值之平方根为比例，并且移动到以原分布的平均值为原点。在多元统计分析中，主成分分析（英语：Principalcomponentsanalysis，PCA）是一种分析、简化数据集的技术。主成分分析经常用于减少数据集的维数，同时保持数据集中的对方差贡献最大的特征。这是通过保留低阶主成分，忽略高阶主成分做到的。这样低阶成分往往能够保留住数据的最重要方面。但是，这也不是一定的，要视具体应用而定。由于主成分分析依赖所给

MATLAB源码集锦-离散小波与主成分分析的数据降维方法

详细讲解lda与pca的特征降维方法，并结合实际分类例子来演示matlab，用matlab做出散点图 详细讲解lda与pca的特征降维方法，并结合实际分类例子来演示matlab，用matlab做出散点图

这里包含一个App以及一个特征选择主成分分析

函数型数据分析的全部代码和数据以及参考文献，全部是本人亲自收集和处理的，共300多M，相关介绍详见我的博文https://blog.csdn.net/lusongno1/article/details/89305520#comments_14878182。

核主成分分析法 matlab源代码，非常好的一个例子 核主成分分析法 matlab源代码，非常好的一个例子

针对高光谱图像空间分辨率不足导致异常检测虚警率过高的问题，提出了一种利用主成分分析（PCA）和IHS变换融合以降低虚警率的算法。首先对低分辨率高光谱图像进行PCA变换，提取3个主成分；然后对这3个主成分和高分辨率图像分别进行IHS变换，得到各自的强度分量，把高光谱数据的强度分量替换成高分辨率图像的强度分量；再运用IHS变换的可逆性，将新的强度分量与原色度分量和饱和度分量进行IHS逆变换，得到空间信息增强的高光谱图像数据；最后使用KRX算法对空间信息增强的高光谱图像数据进行异常检测。实验结果表明，本文算法的虚警率与KRX算法相比有很大的降低，取得了良好的检测效果。

在推荐算法中，样本空间构成的数据矩阵一般为稀松矩阵，且维数一般较多，可通过求取特征值或者奇异值的方式获得样本矩阵的特征矩阵，从而降低维数。主成分分析法在矩阵降维中有很好的应用。 本文通过特征值分解、奇异值分解、PCA等操作可以获得降维后的矩阵，通过使用不同的相似度判别法获得最好的相似度，可以使得推荐算法具有很好的效果。

r语言中关于主成分分析的讲义