【20211208】【Matlab】使用Matlab中的pca函数实现数据降维，并将数据可视化

1. pca函数使用方法

        [coeff, score] = pca(data);

（1）输入参数

        data：待降维的数据集

（2）输出参数

        coeff：主成分分量，即样本协方差矩阵的特征向量；

        score：主成分，即样本在低维空间的投影，也就是降维后的数据。

注意：score 的维度和原始样本 data 的维度一致，如果想要降到 k 维，只需选取 score 的前 k 列即可~

%%
clear; clc; close all; warning off;

%% 加载数据集
load('DataSet_UCIwine');

%% PCA降维
[coeff, score]= pca(data);  % coeff是主成分分量，即样本协方差矩阵的特征向量；score是主成分，即data在低维空间的投影，也就是降维后的数据，维度和data相同，若想降维到k维，只需要取前k列即可。
res = score(:, 1:3);  % 降维后的数据

2. wine数据可视化

        因为数据是三维数据，所以使用 scatter3() 实现数据可视化。

%% 原始数据可视化
figure(1);
s = 50 * ones(numel(label), 1);  % numel()：求数组元素的数目
color = label;  % 设置散点的颜色为标签颜色，label为数据标签（三分类数据展示出三种不同的颜色，方便观察数据集）
scatter3(res(:, 1), res(:, 2), res(:, 3), s, color);
xlabel('dim-1'); ylabel('dim-2'); zlabel('dim-3'); 
title(['PCA降维后的数据分布   数据集样本个数=', num2str(numel(label))]);

         （参考：利用Matlab中的pca函数进行数据降维）

        （参考：scatter3）

        （参考：numel）