Matlab PCA完整实战：主成分分析流程、代码与主成分数量确定

简介基于Matlab的PCA主成分分析实例以不同浓度混合物的拉曼光谱数据为实验对象面向需要掌握主成分分析方法的本科生、研究生及相关领域科研人员。资源包含配套的Matlab脚本与训练集数据表格脚本完整实现了从数据读取、标准化处理、协方差矩阵计算、特征值分解到主成分得分图绘制的全流程能够清晰展示如何通过正交变换把存在相关性的光谱变量转换为少数线性不相关的主成分帮助读者理解方差最大化与降维的核心思想。数据文件为6行40列的拉曼光谱强度矩阵便于对照脚本逐行调试也可替换为自己的光谱或表格数据用于练习。压缩包共2个文件包括1个m脚本和1个xlsx数据文件体积仅2.26MB结构简洁、依赖少适合在Matlab中直接运行和二次修改。目前已有1955人学习下载是快速理解PCA原理并上手Matlab实现的高性价比参考资料。 交流群里经常有人问我“Matlab做PCA是不是直接调pca函数就行”——如果你只是想跑通一个Demo确实如此但如果你真的想用主成分分析解决实际问题从数据预处理到主成分数量的确定每一个环节都有门道。这篇文章我打算用一个完整的实例把从零开始做PCA的完整流程、代码、结果判读和实操中容易踩的坑一次性说清楚数据和代码都会贴出来方便你直接拿去复现。主成分分析PCA的原理说起来不复杂将高维数据通过线性变换投影到低维空间保留数据方差最大的方向。但真正动手做的时候你会发现事情并没有那么简单——数据要不要标准化主成分取几个累计解释率多少算合适特征向量方向怎么解释业务含义这些问题在教材里往往一笔带过实操时却会卡住很多人。这篇文章我会用Matlab内置的经典数据集跑一个完整案例从数据预处理开始到PCA计算、结果可视化、主成分数量判定再到结果的实际解读全程附带可直接运行的代码。偏重实践也会把你需要知道的“为什么这么做”讲明白。1. 先用直觉理解PCA它到底帮我们解决了什么问题在敲任何代码之前我觉得有必要先把PCA放在一个具体的场景里想清楚。1.1 高维数据带来的分析困境设想你有100个样本每个样本测了30个指标。拿到这张表最常见的操作是想找找样本之间有没有分组规律、哪些指标和某个结果相关。但30维的数据没法直接可视化你最多画两两散点图那就得画几百张图看不过来。更麻烦的是这30个指标之间往往高度相关——经济数据里GDP、投资、消费高度联动生物数据里多个基因表达同步变化。这种冗余信息不仅让数据维度膨胀还会干扰后续建模比如回归时的多重共线性问题。PCA的核心思路就是找到一组新的正交坐标轴让数据在这些轴上的投影方差依次递减。第一个新轴第一主成分捕捉数据变异最大的方向第二个新轴在正交约束下捕捉剩余变异最大的方向以此类推。最终你只需要取前几个主成分就能用少量“综合指标”代表原始数据的大部分信息。1.2 一个容易忽视的数学事实PCA在数学上的本质是对协方差矩阵做特征值分解。数据经过标准化之后协方差矩阵就等于相关系数矩阵。特征值代表对应主成分解释的方差大小特征向量则是主成分的载荷系数。这里有个容易混淆的点主成分方向是从协方差矩阵分解来的不是从原始数据直接“画”出来的所以特征值的分布与数据本身的量纲关系极大。这也是为什么实操中有一条铁律不同量纲的变量必须先标准化否则量纲大的变量会主导主成分方向。我后面会专门用代码演示这个差异。2. 实例数据集与预处理我这次用的数据长什么样2.1 用什么数据跑实例为了让你能完整复现我直接用Matlab自带的Fisher鸢尾花数据集fisheriris。这组数据有150个样本、4个特征变量花萼长度、花萼宽度、花瓣长度、花瓣宽度以及3个品种标签。用这个数据集做PCA的好处是内置加载不需要额外找数据人人可复现4维数据经过PCA后可以降到2维方便可视化3个品种在特征空间里有部分重叠能看出降维后的区分效果。加载数据的代码很简单load fisheriris X meas; % 150x4 特征矩阵 species species; % 150x1 品种标签2.2 标准化PCA前必须做的一步下面我用两组代码做个对比先不做标准化直接用原始数据跑PCA再对数据做标准化后跑PCA看看结果差异有多大。不标准化的版本[coeff_raw, score_raw, latent_raw, ~, explained_raw] pca(X); disp(不标准化时各主成分解释率:); disp(explained_raw);标准化的版本X_std zscore(X); % 每列零均值、单位方差 [coeff_std, score_std, latent_std, ~, explained_std] pca(X_std); disp(标准化后各主成分解释率:); disp(explained_std);你运行后会发现不标准化时第一主成分解释率可能超过92%而标准化后第一主成分解释率降到72%左右。这个差异的根源在于原始数据中花瓣长度和花瓣宽度的方差远大于花萼长度和宽度PCA会倾向于给方差大的变量更高权重导致第一主成分基本由花瓣尺寸主导。而标准化后每个变量都处于同一尺度主成分方向才能均衡反映所有变量的综合信息。如果你做PCA的目的是数据压缩或者可视化有时候不标准化也能用但如果你想让各变量对主成分的贡献相对均衡或者变量量纲差异很大标准化是更稳妥的做法。这也是“没有标准化的PCA都是耍流氓”这句话的由来。3. Matlab核心代码从PCA计算到可视化全流程3.1 核心计算与主成分数量选择Matlab从R2012b版本开始提供了pca函数替代了早期版本的主成分分析相关函数。它的基础用法我已经在上面代码里展示了现在把整体流程写完包括选择主成分数量的判断依据。% --- 1. 加载数据 --- load fisheriris X meas; species categorical(species); % --- 2. 标准化 --- X_std zscore(X); % --- 3. PCA计算 --- [coeff, score, latent, ~, explained] pca(X_std); % --- 4. 各主成分解释率和累计解释率 --- disp(各主成分解释率(%)); disp(explained); disp(累计解释率(%)); disp(cumsum(explained)); % --- 5. 可视化碎石图 累计解释率 --- figure; subplot(1,2,1); plot(1:length(latent), latent, ro-, LineWidth, 1.5); title(碎石图特征值); xlabel(主成分序号); ylabel(特征值); grid on; subplot(1,2,2); plot(1:length(explained), cumsum(explained), bo-, LineWidth, 1.5); hold on; yline(85, k--, 85%阈值); % 画参考线 title(累计解释率); xlabel(主成分数量); ylabel(累计解释率(%)); grid on;这段代码里我要特别说明两个地方第一pca函数默认会对数据进行中心化减去均值但不会自动做标准化所以我才在上一步用zscore手动标准化。如果你的数据量纲本来就一致可以不标准化直接跑但注意pca函数的Centered参数默认是true。第二特征值向量latent与解释率explained的对应关系是explained(k) latent(k) / sum(latent) * 100;碎石图看的是特征值随主成分序号下降的曲线找一个“肘部”位置作为截断点累计解释率图则更直观找累计贡献率达到某个阈值经验上常用80%90%的主成分数量。3.2 主成分得分的可视化主成分得分score矩阵是原始数据在new coordinate system下的坐标每一行对应一个样本每一列对应一个主成分。我们可以取前两个主成分做散点图按品种标签着色直观看到降维后的分类效果。% --- 前两个主成分得分散点图 --- figure; gscatter(score(:,1), score(:,2), species, rgb, o^s, 8); xlabel([第一主成分 (, num2str(explained(1), %.1f), %)]); ylabel([第二主成分 (, num2str(explained(2), %.1f), %)]); title(PCA降维后的样本分布); legend(Location, best); grid on;运行这张图你会看到三个品种在PC1和PC2平面上已经能明显分开Setosa在一端Versicolor和Virginica在另一端且有一定重叠。这说明前两个主成分已经捕获了足矣区分品种的主要信息。3.3 载荷系数与变量贡献分析主成分是什么含义这需要看载荷系数coeff。coeff的每一列对应一个主成分每一行对应一个原始变量值的大小和符号代表该变量对这个主成分的贡献方向与权重。% --- 载荷系数矩阵 --- disp(载荷系数(前两个主成分)); disp(array2table(coeff(:,1:2), ... VariableNames, {PC1, PC2}, ... RowNames, {花萼长度, 花萼宽度, 花瓣长度, 花瓣宽度})); % --- 双标图 --- figure; biplot(coeff(:,1:2), scores, score(:,1:2), varlabels, ... {SL, SW, PL, PW}); title(前两个主成分的双标图); grid on;从biplot的输出可以看到花萼宽度SW与其他三个变量在前两个主成分上的投影方向相反这提示花萼宽度和其他变量在一定程度上是负相关的。而花瓣长度PL和花瓣宽度PW在PC1方向上的载荷较大因此PC1可以看作是“花瓣尺寸综合指标”。3.4 代码段的完整整合为了你方便复制我把核心部分整合成一个完整的脚本%% PCA完整示例基于Matlab clear; clc; close all; % 加载数据 load fisheriris X meas; species categorical(species); % 标准化 X_std zscore(X); % PCA计算 [coeff, score, latent, tsquared, explained] pca(X_std); % 输出解释率 fprintf(各主成分解释率: %.2f%%, %.2f%%, %.2f%%, %.2f%%\n, explained); fprintf(累计解释率: %.2f%%, %.2f%%, %.2f%%, %.2f%%\n, cumsum(explained)); % 碎石图 figure; subplot(1,2,1); plot(1:length(latent), latent, ro-, LineWidth, 1.5); title(碎石图); xlabel(主成分序号); ylabel(特征值); grid on; % 累计解释率图 subplot(1,2,2); plot(1:length(explained), cumsum(explained), bo-, LineWidth, 1.5); hold on; yline(85, k--); title(累计解释率); xlabel(主成分数量); ylabel(累计解释率(%)); grid on; % 样本可视化 figure; gscatter(score(:,1), score(:,2), species, rgb, o^s, 8); xlabel([PC1 (, num2str(explained(1), %.1f), %)]); ylabel([PC2 (, num2str(explained(2), %.1f), %)]); title(主成分得分图); legend(Location, best); grid on;4. 主成分数量的确定别只盯着累计解释率选择保留几个主成分是PCA实操中最常被问起的问题。行业里流传的经验法则是“累计解释率达到85%以上就行”但这句话用不好会出错。4.1 特征值大于1规则Kaiser准则Kaiser建议只保留特征值大于1的主成分因为标准化后每个原始变量的方差为1特征值小于1意味着该主成分解释的变异还不如一个原始变量多。在鸢尾花数据集上标准化后前两个主成分的特征值分别为2.92和0.91左右实际执行时第二个主成分不足1按这个准则只保留一个主成分。但如果你只保留一个主成分会丢掉接近30%的信息且后两个品种容易混在一起。这说明经验规则不能盲用。4.2 基于目的动态调整我的建议是回到PCA的使用目的目的是可视化取前2或前3个主成分别管解释率是多少。如果前两个主成分累计解释率不到60%说明数据本质上的有效维度就不低硬压到2维必然损失信息这时你可以在图上标注解释率提醒读者看图时谨慎。目的是为后续建模降维优先考虑累计解释率达到85%90%或者在碎石图的“肘部”截断。在鸢尾花例子里前两个主成分累计解释率约95.81%取两个主成分既保留了足够信息又能可视化属于理想情况。目的是变量筛选和解释更关注载荷矩阵的解读主成分数量可以多留几个每个主成分尝试赋予业务含义。4.3 一个判断上的坑有些人喜欢用“解释率必须到90%”作为硬性标准结果数据维度降到6个主成分比原来4个特征还多完全失去了降维的意义。主成分分析的本质是以信息损失换简化如果你的数据前几个主成分解释率就是不高那可能说明数据本身维度很高不适合用PCA做大幅压缩这时候考虑其他方法比如t-SNE、UMAP等非线性降维可能更合适。5. 实战中的几个关键教训这些坑我替你踩过了最后分享一些我在实际项目中积累的细节经验这些内容在官方文档里通常不会写到。5.1 标准化之后别忘了中心化已经由pca做了pca函数默认Centered为true也就是它会主动对每列减去均值。如果你已经用zscore标准化过zscore本身也做了中心化两者不冲突。但如果你用cov矩阵手动实现PCA就得自己中心化。不同实现方式的差异在于特征向量的符号可能相反——同一个主成分在Matlab里得出来的载荷系数可能是负的在Python的sklearn里可能是正的但两者解释的方差比例完全相同。所以看到特征向量符号相反不用慌这不代表算错了。5.2 离群值对主成分方向影响极大PCA对离群值很敏感因为平方误差会被放大。如果你的数据里有明显异常值做PCA之前最好先用箱线图或者3σ方法筛查一遍。离群值可能会把第一主成分的方向拉向自己导致主成分被一个或几个极端样本主导使结果失去代表性。5.3 双标图的坐标刻度与样本数量biplot函数默认会将样本得分压缩到单位尺度内因此图上样本点之间的距离不再是原始得分距离而是有一个尺度变换。如果你需要阅读精确的载荷值不要只看图表而是直接输出coeff矩阵数值。另外双标图在样本量很大时会非常拥挤几十个样本时双标图很清晰几百上千个样本时我建议分别画载荷和得分散点图而不是挤在一张图里。5.4 如果数据有缺失值怎么办pca函数遇到NaN会报错或者跳过。我的处理习惯是缺失比例很小时用均值或中位数填补缺失比例较大时先考虑删掉对应变量或样本。PCA本身没有内置的缺失值处理机制填补方式会影响协方差矩阵的计算所以这块需要提前想清楚。5.5 降维之后的数据怎么保存和使用降维后的主成分得分矩阵score就是新特征可以直接存表T table(score(:,1), score(:,2), species, ... VariableNames, {PC1, PC2, Species}); writetable(T, pca_result.xlsx);如果是后续要做聚类或分类把score的前几列作为新特征输入分类器即可。注意一定要保存好标准化时用的mu和sigma这样上线新数据时才能用同一套参数做变换然后用pca得到的coeff把新样本映射到主成分空间。新样本映射的代码是new_score (new_data - mu) ./ sigma * coeff;其中mu mean(X)sigma std(X)coeff来自训练集PCA结果。这里的最容易踩的坑是很多人只保存了模型参数忘了保存标准化参数等到新数据进来后再对全量数据重新标准化做PCA导致主成分方向偏移结果不可比。Matlab里pca函数还支持一些实用参数比如NumComponents可以直接指定保留主成分个数Weights可以给变量分配权重Algorithm可以选择svd或eig等底层算法。数据量较大时建议用默认SVD算法数值稳定性更好。做数据分析这些年PCA是我最常用的降维工具之一几乎每个多维数据集到手都会先跑一遍看看结构。它最大的价值不是“降维”本身而是帮你用几何视角建立对数据的直觉——哪些维度携带主要信息、样本之间是否形成天然聚团、变量之间的关系是正相关还是负相关。希望这篇实例能让你少走些弯路如果你在复现时遇到报错先检查三件事数据有没有标准化、有没有缺失值、pca函数的参数是否理解了。把这三件事理清楚PCA基本就掌握了一半。本文还有配套的精品资源点击获取