我有115 * 8000的數據，其中115是功能的數量。當我使用像這樣的matlab pca功能關於Matlab中PCA函數的參數
[coeff,score,latent,tsquared,explained,mu] = pca(data);
對我的數據。我有一些價值。我在here上閱讀了如何減少我的數據，但有一件事讓我感到困惑。 explained數據顯示功能在計算上有多重，但功能是否在此過程中重新組織，或者功能與我給它的功能完全相同？
此外，我給115個功能，但explained顯示114.爲什麼會發生？
數據未在PCA中「重組」，轉換爲新的空間。在裁剪PCA空間時，這是您的數據，但您無法在其中對其進行可視化/理解，您需要使用特徵向量等將其轉換回「正常」空間。
解釋給你114，因爲你現在115是什麼答案！ 100％的數據可以用整個數據來解釋！
讀到它進一步在這樣的回答：Significance of 99% of variance covered by the first component in PCA
PCA不「選擇」您的一些功能，並刪除其餘部分。 所以你不應該在運行PCA之後考慮原始功能。
它很好地解釋了維基百科上的here。您將樣本從原始要素定義的空間轉換爲要素線性不相關並稱爲「主要要素」的空間。注意：這些組件不再是原始功能。
2D中的一個示例可能是：您在歐幾里得空間中定義了一個矢量z=(2,3)。它需要2個特徵（x和y）。如果我們改變空間並使用座標向量v=(2,3)定義它，並且w是與v的正交向量，那麼現在可以僅用1個特徵（第一座標！）表示。
您分享的鏈接完全解釋了（在選定的答案中）如何使用pca函數的輸出來減少維度。
（如安德指出你不關心最後的成分，因爲這些是最弱不管怎樣，你要刪除它們）
所以，當我把喜歡PCA的前10個值，並把恢復正常的空間，是否有10個功能是我的第一個10個功能或pca剛剛創建的全新功能？ – Bcan
@Ban不，你需要10個特徵向量，你可以只使用這些特徵向量找回所有的數據（115）。但他們不會100％準確，他們將被解釋（10）'％準確 –
那麼我應該使用pca組件進行分類嗎？如果是的話，我怎麼能用PCA來做到這一點。這些類不會被視爲額外的矩陣維度。我應該使用LDA嗎？ – Bcan