Matlab 基于PCA的gabor滤波器组特征约简

使用Matlab，我正在使用Gabor滤波器组，在不同的方向和尺度下，通过使用的滤波器数量，我得到了大量的特征。对于训练数据的总数，我想部署PCA以减少功能数量，但我不知道如何开始以及使用哪个功能，请提供帮助。

如果要使用PCA以减少功能数量

更基本一点的版本：

%% some data points for 2 features
X = [1,1,1, 2,2,2, 3,3,3 ; 1,2,3, 2,3,4, 3,4,5];
numX = size(X,2);

%% PCA
covX = zeros(2,2); % sample covariance
meanX = mean(X,2); % sample mean
for k = 1:numX
    covX = covX + (X(:,k) - meanX) * (X(:,k) - meanX)';
end
covX = covX / (numX - 1);

% essential part of PCA:
[V,D] = eig(covX);

现在，PCA特征约简通常意味着将D中对角项对应的最大方差方向解释为最具辨别力的方向。因此，您只需使用几列V就可以将您的特征重新加权为最大变化的较小子集

---

也许有点偏离你的问题，但在我看来相当重要：部署PCA并不总是减少特征数量的最佳选择，因为方差最大的方向并不总是最具辨别力的方向！此外，您还必须计算所有特征，并减少分类数量，这有望避免过度拟合问题。所以也许你也想考虑其他的方法。可以work@chappjc似乎今晚我们是孤独的；哦我猜有一条规则，注释功能不应该被误用为普通聊天：D