matlab主成分分析案例 最低0.27元开通文库会员，查看完整内容>；原发布者：笨蛋大楠瓜1.设随机向量X=（X1，X2，X3）T的协方差与相关系数矩阵分别为，分别从，出发，求的各主成分以及各主成分的贡献率并比较差异况。解答：>；>；S=[14；425]；[PC，vary，explained]=pcacov(S)；总体主成分分析：>；>；[PC，vary，explained]=pcacov(S)主成分交换矩阵：PC=-0.1602-0.9871-0.98710.1602主成分方差向量：vary=25.64910.3509各主成分贡献率向量explained=98.65041.3496则由程序输出结果得出，X的主成分为：Y1=-0.1602X1-0.9871X2Y2=-0.9871X1+0.1602X2两个主成分的贡献率分别为：98.6504%，1.3496%；则若用第一个主成分代替原来的变量，信息损失率仅为1.3496，是很小的。2.根据安徽省2007年各地市经济指标数据，见表5.2，求解：（1）利用主成分分析对17个地市的经济发展进行分析，给出排名；（2）此时能否只用第一主成分进行排名？为什么？解答：（1）>；>；clear>；>；A=[491.70，380.31，158.39，121.54，22.74，439.65，344.44，17.43；21.12，30.55，6.40，12.40，3.31，21.17，17.71，2.03；1.71，2.35，0.57，0.68，0.13，1.48，1.36，-0.03；9.83，9.05，3.13，3.43，0.64，8.76，7.81，0.54；64.06，77.86，20.63，30.37，5.96，63.57，52.15，4.71；30.38，46.90，9。
MATLAB怎么做主成分分析，工作和办公是由于数据太过庞大，维数太高常用到MATLAB对数据进行主成分分析（降维），使数据信息量在尽可能不变的情况下，降低数据的处理复杂度，。
matlab怎么实现主成分分析 先求协方差矩阵，之后对协方差矩阵求特征值与特征向量，将特征从大到小排列，取其贡献率大于85%~95%的特征值与特征向量作为其主元与负荷，之后根据负荷求得分。说得有点抽象，你可以参考下面的例子导入原始数据[Xrow，Xcol]=size(X)；Xrow：样本个数 Xcol：样本属性个数数据预处理，进行标准化出理，处理后均值为0方差为1Xc=mean(X)；求原始数据的均值Xe=std(X)；求原始数据的标准差X0=(X-ones(Xrow，1)*Xc)./(ones(Xrow，1)*Xe)；标准阵X0，标准化为均值0，方差1；求标准化矩阵的协方差矩阵sigma=cov(X0)；特征值分解[V，D]=eig(sigma)；求协方差矩阵的特征向量（V）和特征值（D）lmda=diag(D)；将主对角线上为特征值的对角阵变换成特征值列向量[Dt，index]=sort(lmda，'descend')；特征值按降序排列，Dt是排列后的数组，index是序号根据累积主元贡献率选取主元个数npc=1；while sum(Dt(1：npc))/sum(Dt)npc=npc+1；end计算负荷向量P_all=V(：，index)；全部负荷P_pcs=P_all(：，1：npc)；主元负荷构建主元对角阵Lambda=diag(Dt(1：npc))；计算得分向量t_all=X0*P_all；全部得分t_pcs=t_all(：，1：npc)；主元得分
