matlab中主成分分析的函数1.doc

matlab中主成分分析的函数 princomp功能：主成分分析 格式：PC=princomp(X)???????[PC,SCORE,latent,tsquare]=princomp(X) 说明：[PC,SCORE,latent,tsquare]=princomp(X)对数据矩阵X进行主成分分析，给出各主成分 (PC)、所谓的Z-得分(SCORE)、X的方差矩阵的特征值(latent)和每个数据点的Hotelling）T2统计量(tsquare)。pcacov函数 功能：运用协方差矩阵进行主成分分析??? 格式：PC=pcacov(X)???? [PC,latent,explained]=pcacov(X) 说明：[PC,latent,explained]=pcacov(X)通过协方差矩阵X进行主成分分析，返回主成分(PC)、协方差矩阵X的特征值(latent)和每个特征向量表征在观测量总方差中所占的百分数(explained)。pcares函数 功能：主成分分析的残差格式：residuals=pcares(X,ndim)说明：pcares(X,ndim)返回保留X的ndim个主成分所获的残差。注意，ndim是一个标量，必须小于X 的列数。而且，X是数据矩阵，而不是协方差矩阵。barttest 功能：主成分的巴特力特检验格式：ndim=barttest(X,alpha)????? [ndim,prob,chisquare]=barttest(X,alpha) 说明：巴特力特检验是一种等方差性检验。ndim=barttest(X,alpha)是在显著性水平alpha下，给出满足数据矩阵X的非随机变量的n维模型，ndim即模型维数，它由一系列假设检验所确定，ndim=1表明数据X对应于每个主成分的方差是相同的；ndim=2表明数据X对应于第二成分及其余成分的方差是相同的。 主要变量数据，进行主成分分析 表：2007年各地区农村居民家庭平均每人生活消费支出（单位：元） 地区 食品 衣着 居住 家庭设备及服务 交通和通讯 文教娱乐用品及服务 医疗保健 其它商品及服务 北京 天津 重庆 [x,textdata]=xlsread(‘A.xls’)；%从excel中读取数据 Xz=zscore(x) % 数据标准化 [PC,SCORE,latent,tsquare]=princomp(Xz) %利用princomp函数根据标准化后原始样本观测数据作主成分分析，返回主成分表达式的系数矩阵PC, 主成分得分数据SCORE,样本相关系数矩阵的特征值向量latent和每个的Hotelling）T2统计量(tsquare)。latent/sum(latent)%计算贡献率 [m,n]=size(x)%求x的行数和列数 result1=cell(n+1,4);%定义一个n+1行，4列的元胞数组 result1(1,:)={特征值,差值,贡献率,累积贡献率} result1（2:end,1）））））‘地区’,总支出,第一主成分得分y1,第二主成分得分y2’} result3（2:end,1））’ko’)%绘制两个主成分得分的散点图 xlabel(‘第一主成分得分‘), ylabel(‘第二主成分得分‘) gname(cityname)%交互式标注每个地区的名称 %根据霍特林T＾2统计量寻找极端数据 result5=sortrows([cityname,num2cell(tsquare)],2) %转为胞元数组，并按第二列排序 [{‘地区‘，’霍特林T＾2统计量‘；result5} 练习：应用MATLAB内部的数据cities.mat进行分析。该数据是美国329个城市反映生活质量的9项指标的数据。这9项指标分别为：气候、住房、健康状况、犯罪、交通、教育、艺术、娱乐和经济。 例2：从协方差矩阵或相关系数矩阵出发求解主成分 表：128名成年男子身材的六项指标的相关系数矩阵 变量 身高（x1）];%输入相关系数矩阵 [PC,latent,explained]=pcacov(PHO)%相关系数矩阵进行主成分分析，返回主成分(PC)、矩阵的特征值(latent)和每个特征向量表征在观测量总方差中所占的百分数(explained)。））））’’坐高(x2)’;’ 胸围(x3)’;’ 手臂长(x4)’;’肋 围(x5) ’；‘腰围(x6)’} result1（：,1））‘主成分prin1,主成分prin2, 主成分prin3}; result2（2:end,1））$表达式的系数数据