Java PCA降维

我正在尝试将900维缩减为10维。到目前为止，我已经：

covariancex = cov(labels);
[V, d] = eigs(covariancex, 40);

pcatrain = (trainingData - repmat(mean(traingData), 699, 1)) * V;
pcatest = (test - repmat(mean(trainingData), 225, 1)) * V;

其中

标签

是

1x699

字符标签（1-26）

trainingData

是

699x900

，用于699个字符图像的900维数据<代码>测试为225x900，尺寸为225900个字符

---

基本上，我想把它减少到

225x10

，即10个维度，但我在这一点上有点卡住了。

从您的代码中，似乎您是在获取

标签的协方差，而不是
培训数据。我相信主成分分析的意义在于确定数据的某些N（这里N=10）子空间中的最大方差

协方差矩阵应该是900x900（如果900是每个图像的维数，我假设是30x30像素图像的结果）。其中
covaraincex
的对角元素
[I，I]
给出所有训练样本的该像素的方差，非对角
[I，j]
给出像素
i
和像素
j
之间的协方差。这应该是一个对角矩阵，如
[i，j]=[j，i]。

此外，当调用
EIG（协方差x，N）
时，如果您想将维度减少到10，N应该是10而不是40。
协方差应该在您的
培训数据中实现：

X = bsxfun(@minus, trainingData, mean(trainingData,1));           
covariancex = (X'*X)./(size(X,1)-1);                 

[V D] = eigs(covariancex, 10);   % reduce to 10 dimension

Xtest = bsxfun(@minus, test, mean(trainingData,1));  
pcatest = Xtest*V;

抱歉，还有一件事，我记得为什么我最初使用40（虽然我不需要那么多），因为根据我的讲师，维度2:11比1:10更好，我如何实现这一点？[vd]=EIG（协方差x，11）；pcatest=Xtest*V（：，2:11）；对不起，我记得为什么我最初使用40（虽然我不需要那么多），因为根据我的讲师的说法，维度2:11比1:10更好，我如何实现这一点？