在 MATLAB、pcacov 或 eigs 中使用 PCA 进行降维应该使用哪一个？

Question

我正在尝试将我的训练集维度从 1296*70000 减少到 128*70000。我写了下面的代码：

A=DicH;
[M N]=size(A);
mu=mean(A,2);%mean of columns

Phi=zeros(M,N);
C=zeros(M,M);
for j=1:N
    Phi(:,j)=A(:,j)-mu;
    c=Phi(:,j)*(Phi(:,j))';
    C=C+c;
end

C=C/N;%Covariance Dictionary
[V,landa] = eigs(C,128);%Eigen Vectors & Eigen Values
E=V'*Phi;%Reduced Dic
%*******************Using Pcacov*****************
%S=zeros(M,1);
%[U,landa] = pcacov(C);%Eigen Vectors & Eigen Values
% for k=1:128;
%     S=V(:,k)+S;
%     U(:,k)=S;
% end
%E=U'*Phi;%Reduced Dic

我得到了两个不同的答案！我应该使用 "eigs" 还是 "pcacov" 哪一个？

Answer 1

你应该利用 Matlab 中的内置函数，直接使用 pca 函数，如果你想比较 eigs 甚至 cov 函数 pcaconv。

现在回答你的问题，两个 return 相同的特征向量但顺序不同。请参阅以下示例：

>> load hald
>> covx = cov(ingredients);
>> [COEFF,latent] = pcacov(covx)

COEFF =

   -0.0678   -0.6460    0.5673    0.5062
   -0.6785   -0.0200   -0.5440    0.4933
    0.0290    0.7553    0.4036    0.5156
    0.7309   -0.1085   -0.4684    0.4844


latent =

  517.7969
   67.4964
   12.4054
    0.2372

>> [V, D] = eigs(covx)                    

V =

    0.5062    0.5673    0.6460   -0.0678
    0.4933   -0.5440    0.0200   -0.6785
    0.5156    0.4036   -0.7553    0.0290
    0.4844   -0.4684    0.1085    0.7309


D =

    0.2372         0         0         0
         0   12.4054         0         0
         0         0   67.4964         0
         0         0         0  517.7969

>>

在您的代码中，您使用 eigs 结果的转换覆盖注释掉部分中 pcavconv 的结果，因此目前尚不清楚您在比较什么。使用pcacov时，只需要提取U的前128列即可。

在 MATLAB、pcacov 或 eigs 中使用 PCA 进行降维应该使用哪一个？

Which one should I use for dimension reduction with PCA in MATLAB, pcacov or eigs?

matlab

pca

dimensionality-reduction