主成分分析（PCA）进行特征提取

2744557306

这段代码实现了主成分分析（PCA）的数据得分计算和特征向量提取。下面是代码的解释：

1.函数定义：


# b0 Y9 n& q% Y6 V) N2.函数名为PCA，接受两个输入参数：raw_data（原始数据）和T（保留率），并返回新数据。
/ L3 i) p$ `: S* S' h+ J) P( u
7 T2 t! [9 v+ ]  d
6 z$ g0 d/ c& ^) ?; E. U! i3.数据读取与标准化：

" h% O8 g0 Q  x0 D
4.将原始数据raw_data赋值给变量A。
5.获取数据矩阵的尺寸，其中a表示行数，b表示列数。
6.创建一个与原始数据大小相同的零矩阵SA。
7.使用循环将数据按列进行放置，并进行标准化（归一化），即将每列数据减去该列的均值，再除以该列的标准差。


, K, |. u/ Y% R* W+ o8.求解相关系数：


9.使用corrcoef函数计算归一化后的数据矩阵SA的相关系数矩阵CM。
# r- N' h! q7 H0 U/ Y! X. T  ~

5 {7 d  c# i( p& e; G6 w10.计算特征值和特征向量：
0 n4 X  q9 P: I4 b
; f8 e8 L' ~9 H8 o5 \5 M% d% I
11.使用eig函数对相关系数矩阵CM进行特征值分解，得到特征向量矩阵V和特征值矩阵D。

. s1 T' [& L' ]5 B3 V
: F1 b* k7 _; D8 ?12.提取特征值和计算贡献率：
, n- b) ?* Y% i0 Y& ]% _
. E& p. W" g6 h$ _2 ]1 e
; D* L0 Y0 l1 Q- _: |/ K8 a0 D1 I' L. N13.创建一个零矩阵DS，其大小为b x 3，其中b为特征值矩阵D的列数。
14.将特征值矩阵D的对角线元素（特征值）赋值给DS的第一列。
% v# i8 ^. {  T0 w8 X8 y( J# d+ |15.对DS按照第一列的值进行从大到小排序。
16.计算特征值的贡献率，将特征值除以所有特征值的和，并将结果赋值给DS的第二列。
17.计算特征值的累计贡献率，对贡献率列进行累加，并将结果赋值给DS的第三列。

' E7 l" E/ Z. D$ t0 {2 S' s
18.确定保留主成分的数量：
: ~- A- ]$ e1 E6 P# e
$ X+ G, `5 U* n' F: S
' f$ y( L9 j2 v  @: g, p19.找到累计贡献率大于等于设定的保留率T的索引位置。
/ c% I  g  M+ M8 }8 i0 B3 u( [20.提取第一个满足条件的索引（最小的保留主成分数量）并赋值给变量Com_num。
! \& `+ o4 g9 _; h

21.提取主成分对应的特征向量：

2 w8 |( H+ _) T0 d' u5 X) n
22.将特征向量矩阵V的最后Com_num列反转（从最后一列开始取），得到主成分对应的特征向量矩阵PV。
8 w. A2 _5 ~& c

$ P. D8 z1 O9 N1 W' L+ S$ x! M23.计算在主成分上的数据得分：


24.将归一化后的数据矩阵SA与主成分特征向量矩阵PV相乘，得到在主成分上的数据得分矩阵data。
0 A! X5 _& u, J9 U  _7 n: c! ?
该函数的作用是对原始数据进行主成分分析，并返回在主成分上的数据得分矩阵。主成分分析用于降维和数据探索，它将原始数据转换为一组新的线性维度，其中每个维度都是原始数据维度的线性组合。这些新的维度（主成分）根据特征值的贡献率进行排序，保留贡献率较高的主成分。
+ q: J/ m' ^& o  |# |( h


( K+ |) {: S1 t
( h& v8 h1 s2 r: S