调用格式：
[coeff,latent,explained] = pcacov(V)
- 这个函数针对已经求出的协方差矩阵进行计算。要结合
cov函数才能进行完整的pca分析。 - 这个函数可以查看Matlab提供的源代码，其中清晰明了的展示了计算过程。
- 输出变量：
-coeff: 特征向量(注意与pca函数的变量score进行区分）；
-latent: 特征值；[~,latent,coeff] = svd(v);其实这里可以用eig函数替代latent = diag(latent);
-explained：每个特征值占比，字面上即每个特征值对系统有多少解释，用百分比表示。explained=100*latent/sum(latent);
load hald
covx = cov(ingredients);
[COEFF,latent,explained] = pcacov(covx)
COEFF =
0.0678 -0.64600.5673 -0.5062
0.6785 -0.0200 -0.5440 -0.4933
-0.02900.75530.4036 -0.5156
-0.7309 -0.1085 -0.4684 -0.4844latent =
517.7969
67.4964
12.4054
0.2372explained =
86.5974
11.2882
2.0747
0.0397
【Matlab|Matlab 主成分分析函数pcacov代码剖析】可以看到前个特征值占据了超过97%的比例，完全可以将系统降维到2阶pca空间。
推荐阅读
- paddle|动手从头实现LSTM
- 人工智能|干货！人体姿态估计与运动预测
- 推荐系统论文进阶|CTR预估 论文精读(十一)--Deep Interest Evolution Network(DIEN)
- Python专栏|数据分析的常规流程
- 读书笔记|《白话大数据和机器学习》学习笔记1
- Pytorch学习|sklearn-SVM 模型保存、交叉验证与网格搜索
- Python机器学习基础与进阶|Python机器学习--集成学习算法--XGBoost算法
- 深度学习|深度学习笔记总结
- 机器学习|机器学习Sklearn学习总结
- 机器学习|线性回归原理与python实现