1、在對資料進行主成分分析時，需要對資料標準化處理，以消除量綱的影響，如圖所示，使用程式碼x=zscore(A);對資料進行標準化。原則是原資料減去均值後，除以標準差。

2、標準化後，使用matlab自帶主成分分析函式[coeff,score,latent,tsquare]=princomp(x);如圖所示

3、其中，coeff是各個主成分的係數也就是轉換矩陣，score是各個主成分的得分，latent是X的特徵值，tsquare是每個資料的統計值。這裡主要看的coeff、latent。如圖所示

4、接下來計算每個特徵的貢獻率，輸入程式碼latent’；、y=(100*latent/sum(latent))"; 如圖所示

5、提取主成分的方法是依據前N個特徵值的累計貢獻率為準則，若累計貢獻率為85%以上，則說明這前N個特徵可以代表去不資料的絕大部分資訊。如圖所示（將每個特徵的貢獻率複製到Excel相加，累計達到85%）前99個特徵。

6、由於前99個特徵的累計貢獻率達到85%。故可以使用此前99個特徵的資訊表示大部分的原始資訊。取前99個特徵的特徵向量作為轉換矩陣，即coeff（:,1:99）；

降維後的資料B=x*coeff（:,1:99）；如圖所示，新資料只能99個特徵（原資料有841個特徵）達到降維的結果。

1.在對資料進行主成分分析時，需要對資料標準化處理，以消除量綱的影響，如圖所示，使用程式碼x=zscore(A);對資料進行標準化。原則是原資料減去均值後，除以標準差。

2.標準化後，使用matlab自帶主成分分析函式[coeff,score,latent,tsquare]=princomp(x);如圖所示。

3.其中，coeff是各個主成分的係數也就是轉換矩陣，score是各個主成分的得分，latent是X的特徵值，tsquare是每個資料的統計值。這裡主要看的coeff、latent。如圖所示。

4.接下來計算每個特徵的貢獻率，輸入程式碼latent’；、y=(100*latent/sum(latent))"; 如圖所示。

5.提取主成分的方法是依據前N個特徵值的累計貢獻率為準則，若累計貢獻率為85%以上，則說明這前N個特徵可以代表去不資料的絕大部分資訊。如圖所示（將每個特徵的貢獻率複製到Excel相加，累計達到85%）前99個特徵。

6.由於前99個特徵的累計貢獻率達到85%。故可以使用此前99個特徵的資訊表示大部分的原始資訊。取前99個特徵的特徵向量作為轉換矩陣，即coeff（:,1:99）。降維後的資料B=x*coeff（:,1:99）；如圖所示，新資料只能99個特徵（原資料有841個特徵）達到降維的結果。