Hauptkomponentenanalyse in MATLAB

Question

Ich implementiere PCA mit Eigenwertzerlegung für spärliche Daten. Ich weiß, dass Matlab PCA implementiert hat, aber es hilft mir, alle technischen Details zu verstehen, wenn ich Code schreibe. Ich habe die Anleitung von here folgen, aber ich bekomme andere Ergebnisse im Vergleich zu integrierten Funktion princomp.

Könnte irgendjemand es betrachten und mir in die richtige Richtung zeigen.

Hier ist der Code:

function [mu, Ev, Val ] = pca(data) 

% mu - mean image 
% Ev - matrix whose columns are the eigenvectors corresponding to the eigen 
% values Val 
% Val - eigenvalues 

if nargin ~= 1 
error ('usage: [mu,E,Values] = pca_q1(data)'); 
end 

mu = mean(data)'; 

nimages = size(data,2); 

for i = 1:nimages 
data(:,i) = data(:,i)-mu(i); 
end 

L = data'*data; 
[Ev, Vals] = eig(L);  
[Ev,Vals] = sort(Ev,Vals); 

% computing eigenvector of the real covariance matrix 
Ev = data * Ev; 

Val = diag(Vals); 
Vals = Vals/(nimages - 1); 

% normalize Ev to unit length 
proper = 0; 
for i = 1:nimages 
Ev(:,i) = Ev(:,1)/norm(Ev(:,i)); 
if Vals(i) < 0.00001 
    Ev(:,i) = zeros(size(Ev,1),1); 
else 
    proper = proper+1; 
end; 
end; 

Ev = Ev(:,1:nimages); 

Answer 1

Hier ist, wie ich es tun würde:

function [V newX D] = myPCA(X) 
    X = bsxfun(@minus, X, mean(X,1));   %# zero-center 
    C = (X'*X)./(size(X,1)-1);     %'# cov(X) 

    [V D] = eig(C); 
    [D order] = sort(diag(D), 'descend');  %# sort cols high to low 
    V = V(:,order); 

    newX = X*V(:,1:end); 
end 

und ein Beispiel gegen die princomp Funktion aus der Statistics Toolbox zum Vergleich:

load fisheriris 

[V newX D] = myPCA(meas); 
[PC newData Var] = princomp(meas); 

---

Sie könnten auch Interesse an diesem verwandten Beitrag über die Durchführung PCA by SVD.