PCA (Principial Component Analysis)
Principal Component Analysis Implementation of LindsaySmithPCA.pdf
Vous suivez désormais cette soumission
- Les mises à jour seront visibles dans votre flux de contenu suivi
- Selon vos préférences en matière de communication il est possible que vous receviez des e-mails
- Subtracting the mean of the data from the original dataset
- Finding the covariance matrix of the dataset
- Finding the eigenvector(s) associated with the greatest eigenvalue(s)
- Projecting the original dataset on the eigenvector(s)
- Use only a certain number of the eigenvector(s)
- Do back-project to the original basis vectors
Implementation of
http://www.cs.otago.ac.nz/cosc453/student_tutorials/principal_components.pdf
"A tutorial on Principial Component Analysis"
Citation pour cette source
Andreas (2026). PCA (Principial Component Analysis) (https://fr.mathworks.com/matlabcentral/fileexchange/26793-pca-principial-component-analysis), MATLAB Central File Exchange. Extrait(e) le .
Remerciements
A inspiré : EOF
Catégories
En savoir plus sur Dimensionality Reduction and Feature Extraction dans Help Center et MATLAB Answers
Informations générales
- Version 1.2.0.0 (1,48 ko)
Compatibilité avec les versions de MATLAB
- Compatible avec toutes les versions
Plateformes compatibles
- Windows
- macOS
- Linux
| Version | Publié le | Notes de version | Action |
|---|---|---|---|
| 1.2.0.0 | Update Link |
||
| 1.1.0.0 | description update |
||
| 1.0.0.0 |
