pca算法的Matlab实现_pca.zip

# PCA算法的Matlab实现 * X : m行n列数据，每行为1个样本，每个样本维度为n * dims : 目标维度 * Wlda : n行dims列投影向量 * PCA原理推导在我的个人博客 [www.liangtianming.com](http://www.liangtianming.com/2017/10/31/PCA/) * 问题和讨论可以发到我的邮箱 tm.liang@outlook.com * 2017.11.1 --- ## 下面利用 *knn* 进行图像识别，检测PCA效果 * 训练集X : 120*1024, 每行为1个图像样本，每个样本维度为1024 * 训练集标签gptn : 1*120, 共有15类 * 测试集Y : 45*1024, 每行为1个图像样本，每个样本维度为1024 * 测试集标签gptt : 1*45,共有15类 --- * 原始数据:  * 正确率:  * 使用PCA降维到20维后的数据:  * 正确率:  **可见，PCA使数据从1024维降到20维，仅仅牺牲了 *4%* 左右的正确率，这对于不过分牺牲正确率的前提下，提高高维数据处理的效率，避免维数灾难，有着相当好的效果。** * 使用PCA降维到70维时，正确率为:  **和原始数据的识别正确率相同，因此PCA能把1024维数据降到70维并且保持正确率不变，对于本样本来说，70维是最好选择**