代码里一些参数没有修改好，修改完就可以当通用函数使用

1、无监督学习 没有目标值（变量）的算法 常见的无监督学习算法： 降维： – 主成分分析PCA降维处理 聚类： – K-means（k均值聚类） 2、主成分分析 应用PCA实现特征的降维 ·定义：高维数据转化为低维数据的过程，在此过程中可能会舍弃原有数据、创造新的变量 ·作用：是数据维散压缩，尽可能降低原数据的维数（复杂度），损失少量信息。 ·应用：回归分析或者聚类分析当中 PCA的APA: ·sklearn.decomposition.PCA（n_components=None） – 将数据分解为较低维数空间 n_components： ·小数：表示保留百分之多少的信息 ·整数：减少到多少特

使用sklearn库自带的手写数字数据来进行PCA降维后再用K-近邻算法去训练，拥有展示成果功能。

主成分分析PCA的matlab实现，自己写的，很好用。

svd算法matlab代码主成分分析（PCA）实验 主成分分析（PCA）非常有用，并且是统计和机器学习中常用的算法之一。 该工具被广泛用于各种应用中，例如用于可视化和分析的降维，压缩，离群值检测和图像处理。 PCA是我最喜欢用于各种任务的工具之一，通常用于可视化目的。 但是，我意识到，一直以来，我一直只是将其用作黑匣子，对它的概念只有很浅的了解。 因此，这激发了我使用PCA的自定义实现创建此存储库的动力。 请注意，此存储库无意描述有关PCA的完整详细信息。 仅显示一些python代码以帮助更好地了解其计算方式。 为了获得更好，更全面的资料，我发现“主成分分析教程” [1]非常有用。 关于PCA 简而言之，该方法对角化输入数据的协方差矩阵。 对角矩阵的属性是所有值都是零，除了对角线上的值必须为非零。 该方法假定输入数据的变量之间存在线性关系，并且删除了它们之间的关系。 有几种计算PCA的方法： 通过协方差矩阵-当特征数比记录数下这是非常有用的。 而且更容易解释这种方法。 通过标产品矩阵-当特征数比记录数较高，这是有用的。 通过奇异值分解（SVD） -这种方法在实践中使用最多（Scikit

概述 本文主要介绍一种降维方法，PCA（Principal Component Analysis，主成分分析）。降维致力于解决三类问题。 1. 降维可以缓解维度灾难问题； 2. 降维可以在压缩数据的同时让信息损失最小化； 3. 理解几百个维度的数据结构很困难，两三个维度的数据通过可视化更容易理解。 PCA简介 在理解特征提取与处理时，涉及高维特征向量的问题往往容易陷入维度灾难。随着数据集维度的增加，算法学习需要的样本数量呈指数级增加。有些应用中，遇到这样的大数据是非常不利的，而且从大数据集中学习需要更多的内存和处理能力。另外，随着维度的增加，数据的稀疏性会越来越高。在高维向量空间中探索同样的数

通俗易懂的PCA入门，有详细的例子

import numpy as np import matplotlib.pyplot as plt #载入数据 data=np.genfromtxt(data.csv,delimiter=,) x_data=data[:,0] y_data=data[:,-1] plt.scatter(x_data,y_data) plt.show() print(x_data.shape) #数据中心化 def zeroMean(dataMat): #按列求平均，即各个特征的平均 meanVal=np.mean(dataMat,axis=0) newData=dataMat

github上评分比较高的一个用eigen实现的C++算法 写的挺好的

此程序是一个简单的PCA降维处理，程序中以SampleData.txt中的三维数据点作为输入，程序的输出存放在Results目录， 其中包括： 1. PCAResult.txt 存放经主元分析后在主元轴坐标系下的数据坐标。 2. DisplaySamples.ms 为3ds Max脚本文件，用3ds Max打开后可看到SampleData.txt表示的数据点。 3. DisplayResult.ms 为3ds Max脚本文件，用3ds Max打开后可看到将原3维数据在主元轴坐标系下降到2维后的数据点；同时该文件还显示了主元分析得到的前两个主元轴。