排序作用就是将样方或植物种排列在一定的空间，使得排序轴能够反映一定的生态梯度，从而能够解释植被或植物种分布与环境因子之间的关系。我们能用分类的方法能够把植被区别开来，但是植被是一个连续体，分类方法无法揭示植被的连续性。排序的发明就是为了分析群落之间的连续分布关系。

【图像识别】基于主成分分析PCA实现视频人脸识别matlab源码.md

数据写在里面了，有详细注释，其中数据每一行代表一组数据，每列则是不同的特征。 使用Matlab实现，复制粘贴到matlab的运行文件中直接运行即可。 pca降维，其中得到的主成分就是降维后的结果，选择主成分的个数越少也就是降维的力度越大。一般通过方差贡献率来判断主成分包含了原始特征的多少的信息，一般保留85%-90%主成分为3-4个左右，可以认为降维有比较好的效果；而后还可以进行综合评价。

基于coursea上吴恩达的机器学习课程练习题ex7，通过matlab实现PCA维数约减，具体功能详见https://blog.csdn.net/ShadyPi/article/details/122751044#comments_23892789

基于PCA的人脸识别 参考代码：https://github.com/HelloYaoZhang/Face-Recognition-Using-PCA，我主要进行了APP Designer的实现。

matlab的egde源代码快速RPCA 健壮的PCA和SPCP的所有变体的Matlab代码。 这实现了Aravkin，Becker，Cevher，Olsen的会议论文“采用可变方法实现稳定的主成分”中的代码。 UAI 2014。 该代码不仅速度很快，而且是我们所知的唯一代码，它可以解决所有常见的稳定主成分追踪（SPCP）变体，包括我们在本文中介绍的新变体。 从某种意义上说，所有这些变体都是等效的，但是其中一些更易于解决，而某些参数则更易于估计。 见 有关强大的PCA和稳定的主成分追求的更多信息（带有软件的网站，评论文章等） 引文 bibtex： @inproceedings{aravkin2014, author = "Aravkin, A. and Becker, S. and Cevher, V. and Olsen, P.", title = "A variational approach to stable principal component pursuit", booktitle = "Conference on Uncertainty in Artificial In

利用主成分分析法结合粒子群（PSO）优化极限学习机(ELM)进行工程费用估计预测

MATLAB实现PCA-LSTM主成分降维结合长短期记忆神经网络多输入回归预测（完整源码和数据） 数据为多输入回归数据，输入12个特征，输出1个变量。 运行环境MATLAB2018b及以上。

python PCA算法原理推导，及源代码实现，并基于PCA算法实现图片压缩，附pdf文件说明

因子分析实例322－旋转Rotation 由于系数没有很明显的差别,所以要进行旋转(Rotation：method一般用Varimax方差最大旋转),使系数向0和1两极分化, 例子同上 菜单：Analyze－Data Reduction－Factor Variables ：pop，School，employ，Services， house Extraction：使用默认值（ method：Principal components，选取特征值>1） Rotation：method选Varimax Score:Save as variables 和Display factor score Coefficient matrix 比较有用的结果：两个主成分(因子)f1,f2及旋转后的因子载荷矩阵(Rotated Component Matrix) ，根据该表可以写出每个原始变量（标准化值）的因子表达式： Pop 0.01602 f1 + 0.9946f2 School  0 .941f1 - 0.00882f2 employ  0.137f1 + 0.98f2 Services  0.825f1 +0.447f2 house  0.968f1 - 0.00605f2 第一主因子对中等学校平均校龄,专业服务项目,中等房价有绝对值较大的载荷(代表一般社会福利-福利条件因子); 而第二主因子对总人口和总雇员数有较大的载荷(代表人口-人口因子). P326 比较有用的结果:因子得分fac1_1, fac2_1。其计算公式：因子得分系数和原始变量的标准化值的乘积之和（P326)。然后可以利用因子得分进行聚类p327（Analyze->Classify->Hierarchical Cluster）。