Matlab 多数据集的主成分分析
我有一组气候数据（例如温度、压力和湿度），X、Y、Z是具有维度的矩阵（n X p），其中n是观测值的数量，p是空间点的数量 以前，为了研究数据集X的可变性模式，我只对X进行了经验正交函数（EOF）分析或主成分分析（PCA）。这涉及到分解（通过SVD），矩阵X 为了研究X和Y的可变性模式的耦合，我使用了最大协方差分析（MCA），它涉及到分解与XY^{T}成比例的协方差矩阵。（T是转置） 然而，如果我想查看所有三个数据集，我该如何着手进行这项工作？我的一个想法是形成第四个矩阵L，这将是三个数据集的“特征”串联： L=[X，Y，Z] 所以我的矩阵L有维数（nx3p） 然后我将使用标准PCA/EOF分析，并使用SVD分解该矩阵L，然后我将获得大小可变的模式（3p x 1），因此随后与x相关的模式是第一个p值，与Y相关的模式是第二组p值，与Z相关的模式是最后一个p值 这是正确的吗？或者有人能提出一种更好的方式来看待所有三个（或更多）数据集的耦合吗Matlab 多数据集的主成分分析,matlab,matrix,machine-learning,covariance,pca,Matlab,Matrix,Machine Learning,Covariance,Pca,我有一组气候数据（例如温度、压力和湿度），X、Y、Z是具有维度的矩阵（n X p），其中n是观测值的数量，p是空间点的数量 以前，为了研究数据集X的可变性模式，我只对X进行了经验正交函数（EOF）分析或主成分分析（PCA）。这涉及到分解（通过SVD），矩阵X 为了研究X和Y的可变性模式的耦合，我使用了最大协方差分析（MCA），它涉及到分解与XY^{T}成比例的协方差矩阵。（T是转置） 然而，如果我想查看所有三个数据集，我该如何着手进行这项工作？我的一个想法是形成第四个矩阵L，这将是三个数据集的“
非常感谢你 我建议将空间点视为额外维度，即f x n x p，其中“f”是特征的数量。此时，您应该使用可以处理张量数据的