人脸识别中用主成分分析PCA来将数据降维--MATLAB代码
人脸识别的数据集，维度一般都比较高，在自己的电脑上跑这么高维的数据集，很多个人计算机需要跑很长时间，因此一般都需要改变图像大小或者是降维。
常用的方式有以下几种，最普通的是改变图像的大小，是用的MATLAB自带的imresize函数来直接改变图像的大小，如何使用请自行查询。其次就是降维，基本的降维方式主要是PCA和LDA两种，复杂的我也曾用过自编码器降维。本文主要讲述的是用PCA的方式降维人脸数据集，因为我在查阅时，大多是分析原理，少有人能详细说明，如何实现训练集与数据集的处理。
一. PCA原理
PCA的算法过程，用一句话来说，就是“将所有样本X减去样本均值m，再乘以样本的协方差矩阵C的特征向量V，即为PCA主成分分析”，其计算过程如下：
[1].将原始数据按行组成ｍ行ｎ列样本矩阵X（每行一个样本，每列为一维特征）
[2].求出样本X的协方差矩阵C和样本均值m；（Matlab可使用cov()函数求样本的协方差矩阵C，均值用mean函数）
[3].求出协方差矩阵的特征值D及对应的特征向量V；（Matlab可使用eigs()函数求矩阵的特征值D和特征向量V）
[4].将特征向量按对应特征值大小从上到下按行排列成矩阵，取前k行组成矩阵P；（eigs()返回特征值构成的向量本身就是从大到小排序的）
[5].Y=(X-m)×P即为降维到k维后的数据；
二. 实现方法
直接调用Matlab工具箱princomp( )函数实现，[COEFF SCORE latent]=princomp(X)
参数说明：
1）COEFF 是主成分分量，即样本协方差矩阵的特征向量；
2）SCORE主成分，是样本X在低维空间的表示形式，即样本X在主成份分量COEFF上的投影 ，若需要降k维，则只需要取前k列主成分分量即可
3）latent：一个包含样本协方差矩阵特征值的向量；
三. 疑惑与解答
我在看完原理之后遇到以下疑惑，虽然感觉比较傻，但是可能也有人遇到同样的问题，因此说一下并解答：
①在使用PCA之前，是否需要先将数据归一化才可以？
②该方法可以得到训练的数据集，那么测试集怎么得到？如果也采用这样的方法，那不是本身就已经得到测试集的主成分了？
③COEFF分量与SCORE分量应该使用哪一个作为最终数据？为什么大多数代码两个都要保存？
关于第一个问题，使用之前是无需归一化的，因为使用之前本身就需要减去样本均值，注意此处是每一个维度减去每一个维度的均值。当然了，实际上对于图像数据，先进行归一化也是可以的，我尝试过，先归一化之后分类精度甚至更高了一个百分点左右（只尝试一次，不排除其随机性）。
第二个问题其实和第三个问题是一样的解决方法了，在下面的代码中也有体现。COEFF分量是主成分的特征矩阵，SCORE是训练集的主成分特征，即SCORE取其前K个就是将其降低到K维（此处看到有些文章说还需要继续处理，为保险起见，代码中训练集也是用的COEFF分量，但是直接使用SCORE分量应该也是没问题的），留下COEFF分量是因为得到测试集时需要用到主成分的特征矩阵。此外需要注意的是，测试集在与特征矩阵相乘前，需要做与训练集同样的数据处理工作，具体方法见代码
四. 详细代码
由于本人用的数据集是n×m，其中n为图像维度，m为图像张数，而MATLAB自带的PCA函数为每一行为一张图片，因此需要先做转置处理，具体视自己使用的数据集而定。最后得到的trainFeatures和testFeatures即为需要的k维的训练集和测试集。
function [ trainFeatures, testFeatures ] = myPCA( trainData, testData, k )
%UNTITLED 此处显示有关此函数的摘要
% 此处显示详细说明
A = trainData';
B = testData';
%数据标准化：Z-标准化后的数据；mu-每列的均值；sigma-每列的标准差。
[Z,mu,sigma]=zscore(A);
%PCA降维：
[coeff,score,latent] = princomp(Z);
train = Z * coeff;
train = train(:,1:k);
rownum=size(B,1);
%按照训练样本的标准化参数，对测试数据进行处理:
% Y=(X-mu)/sigma;
B = (B-repmat(mu,rownum,1))./repmat(sigma,rownum,1);
%再按照训练样本的PCA降维后所选择的系数矩阵对数据进行处理:
% Y=X*coeff
%由于在标准化中，已经对数据进行了减去均值处理，所以在此可直接乘系数矩阵。
test = B * coeff;
test = test(:,1:k);
trainFeatures = train';
testFeatures = test';
end参考博客
https://www.cnblogs.com/lutaitou/p/5535171.html
https://blog.csdn.net/guyuealian/article/details/68487833