稀疏降维matlab代码-sparse_PCA:跨主要组件共享稀疏模式的稀疏PCA算法

稀疏降维matlab代码重新讨论稀疏PCA 稀疏主成分分析（PCA）是一种流行的无监督方法，用于尺寸缩减和特征选择。 与标准PCA相比，稀疏PCA的主要优点是通过在加载矢量的元素（即权重）上施加零强制约束而获得了更高的解释性。 稀疏的加载向量可以更好地理解PCA的特征选择过程。 例子 考虑大小为p x n的零均值数据矩阵X ，其中n是样本数。 让我们将PCA获得的第一个主要加载向量表示为w 。 该加载向量包含p个权重，这些权重一起产生第一主成分w'X ，其中包含对应于每个样本的一维变量。 在PCA中， w是非稀疏的，因此无法轻易获得信息来确定最重要的特征。 一些研究使用稀疏PCA在w中强制执行零权重。 使用稀疏PCA，可以在降维过程中解释功能的重要性/相关性。 但是，假设我们要将维p减小为任意整数q ，例如1 <q <= p 。 在这种情况下，常规的稀疏PCA方法不能保证对于i = 1，...，q ，所有q个加载向量w_i都会选择相同的特征； 换句话说，它们不会具有相同的稀疏模式。 下表显示了模拟数据的示例。 我们提出的方法在保留稀疏模式的同时计算主要载荷。 引文 请引用以下论文 Se