基于MATLAB的PCA特征降维

我完全搞不懂PCA。我有一张尺寸为90x60x12x350的4D图像。这意味着每个体素是一个大小为350（时间序列）的向量

现在，我将3D图像（90x60x12）分割为立方体。假设一个立方体包含n个体素，那么我有n个大小为350的向量。我想把这个

n

向量简化为一个向量，然后计算所有立方体的所有向量之间的相关性

所以对于一个立方体，我可以构造矩阵

M

，我只是把每个体素放在一个接一个的位置，即

M=[v1 v2 v3…vn]

，每个

v

的大小都是350

现在我可以使用

[coeff，score，潜伏，~，explained]=PCA（M）在Matlab中应用PCA并获取第一个组件。现在我的困惑开始了

我应该转置矩阵
M
，即
PCA（M'）

我应该选择coeff还是score的第一列

第三个问题现在有点不相关了。让我们假设我们有一个
矩阵
A=rand（30100）
其中行是数据点和
列是特征。现在，我想降低
保留特征向量，但保留所有数据点

如何使用PCA进行此操作

当我做
[coeff，score，潜伏期，~，解释]=pca（M）然后
系数为100x29，分数为30x29。我是
完全糊涂了

是的，根据pca的帮助，“X行对应于观察值，列对应于变量。”

score
只告诉您主成分空间中
M
的表示。您需要
coeff
的第一列


是的，根据pca的帮助，“X行对应于观察值，列对应于变量。”

score
只告诉您主成分空间中
M
的表示。您需要
coeff
的第一列


我不同意上面的答案

[coeff,score]=pca(A)

其中，A的行作为观察值，列作为要素

如果A有3个特征和>3个观察值（比如100），并且您想要2维的“特征”，那么就说矩阵B（B的大小是100X2）。你应该做的是：

B = score(:,1:2);

我不同意上面的答案

[coeff,score]=pca(A)

其中，A的行作为观察值，列作为要素

如果A有3个特征和>3个观察值（比如100），并且您想要2维的“特征”，那么就说矩阵B（B的大小是100X2）。你应该做的是：

B = score(:,1:2);

@ribond我应该在应用PCA（M列上的z分数）之前应用z分数（零均值，单位方差），还是应该在将特征向量输入到我的机器学习分类器（每个特征向量上的z分数）之前应用z分数（零均值，单位方差）？@ribond我应该在应用PCA（M列上的z分数）之前应用z分数（零均值，单位方差）或者我应该在将特征向量输入到我的机器学习分类器之前应用它（每个特征向量上的z分数）？