pca降维，有注释的，直接运行 你值得拥有

pca降维，直接运行，你把你里面的数据换成你自己的就可以啦，注意里面的注解，欢迎下载，你指的拥有，可以的话，欢迎打分，谢谢！

function [C y] = myPCA（x）
%对矩阵用主成分分析法（PCA）进行降维，得到白化矩阵和降维后的矩阵
%输入参量：
%x-----待处理的矩阵
%输出参量：
%C-----白化矩阵
%y-----降维后的矩阵
load（‘高维特征.mat‘）
x=features（:1:30）‘;
mat1=x;                                     %x的行数代表的是特征个数，列数代表的是样本数
[mn] = size（mat1）;
ref_mean = mean（mat12）;                    %求矩阵mat1每行的均值
X = mat1 - repmat（ref_mean1n）;            %mat1的每个元素减去对应行的均值，以便求协方差
A = X‘*X;
[V D] = eig（A）;                             %求特征值和特征向量
D_diag = diag（D）;
[numd] = find（D_diag<0）;                    %去除因扰动造成的负特征值及其对应的特征向量 
D_diag（numd） = [];
V（:numd） = [];
[D_sort D_index] = sort（-D_diag）;            %特征值排序
D_sort = -D_sort;

%以总方差的70%为阈值，选取特征向量和特征值
D_pro = cumsum（D_sort）./sum（D_sort）;
num = find（D_pro>0.9）;                       %找到累计方差大于总方差90%的值所在的位置
T_num = num（1）;                              %阈值所在的位置（以排序后的特征值为参照）
D_select = D_sort（1:T_num）;                  %去除较小的特征值，得到有效特征值（已排序）
D_index = D_index（1:T_num）;                  %得到有效特征值的序号
V_select = zeros（size（V1

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     目录           0  2018-10-15 11:16  pca降维\
     文件        1503  2018-10-15 14:06  pca降维\myPCA.m
     文件      117313  2018-06-17 15:39  pca降维\高维特征.mat