matlab中數據去中心化

Ⅰ matlab中如何進行數據中心化處理

1．首先，打開計算機上的「 matlab」軟體，主界面如下圖所示，可以通過在命令行中輸入代碼來運行。

Ⅱ 如何利用matlab提取矩陣中的數據

a=[1,3,4;2,1,4;3,4,5]
b=[2;5;7]
a(:,1)=b

Ⅲ matlab中矩陣中的數據精度如何改變

提高MATLAB中數值的精度，例如下：
例如要求矩陣的特徵值
A =
1 2

1 3
>> eig(A) !!求矩陣A的全部特徵值。

ans = !!A的特徵值計算如下

0.2679

3.7321
計算的結果如上，但現在精度不夠，需要精確到小數點後9到10位。
方法如下：

1)
vpa(eig(A),10) !!使用變數精度演算法(VPA)去計算A的特徵值每個元素為10位小數位精度，其中10是當前設置的位數。
ans =

.2679491924

3.732050808
2)

>> A = [1 2;1 4];
>> format long !! format long 顯示15位雙精度。
>> eig(A)

ans =

0.267949192431123

3.732050807568877

format：設置輸出格式

對浮點性變數，預設為format short.
format並不影響matlab如何計算和存儲變數的值。對浮點型變數的計算，即單精度或雙精度，按合適的浮點精度進行，而不論變數是如何顯示的。對整型變數採用整型數據。整型變數總是根據不同的類（class）以合適的數據位顯示，例如，3位數字顯示顯示int8范圍 -128：127。
format short, long不影響整型變數的顯示。
format long 顯示15位雙精度，7為單精度（scaled fixed point）
format short 顯示5位(scaled fixed point format with 5 digits)
format short eng 至少5位加3位指數
format long eng 16位加至少3位指數
format hex 十六進制
format bank 2個十進制位
format + 正、負或零
format rat 有理數近似
format short 預設顯示
format long g 對雙精度，顯示15位定點或浮點格式，對單精度，顯示7位定點或浮點格式
format short g 5位定點或浮點格式
format short e 5位浮點格式
format long e 雙精度為15位浮點格式，單精度為7為浮點格式

Ⅳ 求大神解答:matlab軟體中center and scale x data是什麼意思

你好

這句話的意思是將x data原始數據進行中心化與比例化處理。類似於線性插值技術。matlab在曲線擬合工具箱中加入這個選項是為了當X data與ydata擬合不好時，選擇這個選項有利於得到更好的擬合效果。matlab通過正則化預測數據（Xdatal）的中心與比例，以有助於預測。具體實現過程如下：

x 是預測數據, μ 是 x的均值, σ 是x的標准差 .把xdata數據轉換成z， 轉換後的數據中心 為0, 標准差為 1.

經過centering and scaling後，求出的多項式系數是y與z的函數關系，與y與x關系不同。但是模型形式與殘差范數沒有變化。具體如何實現過程見matlab給出的比較代碼：

loadcensus
x=cdate;
y=pop;
z=(x-mean(x))/std(x);%Computez-scoresofxdata
plot(x,y,'ro')%Plotdata
holdon
zfit=linspace(z(1),z(end),100);
pz=polyfit(z,y,3);%Computeconditionedfit
yfit=polyval(pz,zfit);
xfit=linspace(x(1),x(end),100);
plot(xfit,yfit,'b-')%Plotconditionedfitvs.xdata

處理後x與z數據的差異化見下圖：

好處是能得到更加精確的擬合結果。

可也有缺點，得不到y與x的直接函數關系式，只能間接通過z得到。

希望對你有幫助！

Ⅳ matlab向mat中寫入數據,不覆蓋原有數據

mat中寫入數據，不覆蓋原有數據的方法。

如下參考：

1.打開matlab，在命令行窗口中輸入100個a=[1、2、3、4、5、6]，按下回車鍵，輸入保存a，一個變數保存在新生成的a.m.中。在文件中，如下圖。

Ⅵ MATLAB如何進行數據離散化

-----data_seperate.m-----------------------------------------------------------
%%數據初始化

data='D:\work\數據離散化代碼\discretization_data.xls';
k=4;
%%數據讀入
[data,~]=xlsread(data);
rows=size(data,1);
%%等寬離散化，規則需要自己定義
rules=[0,0.179,0.258,0.35,0.504];
width_data=zeros(rows,2);
width_data(:,1)=data;
width_data(:,2)=arrayfun(@find_type,data);
%%等頻離散化
frequent_data=zeros(rows,2);
frequent_data(:,1)=data;
end_=-1;
for i=1:k-1
start_=floor((i-1)*rows/k)+1;
end_=floor(i*rows/k);
frequent_data(start_:end_,2)=i;
end
frequent_data(end_+1:end,2)=k;
%%聚類離散化
[idx,~]=kmeans(data,k);
cluster_data=zeros(rows,2);
cluster_data(:,1)=data;
cluster_data(:,2)=idx;
figure;
cust_subplot(width_data,3,1,1,k);
cust_subplot(frequent_data,3,1,2,k);
cust_subplot(cluster_data,3,1,3,k);
disp('數據離散化完成！');
-------------cust-subplot.m------------------------------------------------
function cust_subplot(width_data,rows,cols,index,k)
%% 自定義畫圖
subplot(rows,cols,index);

%%定義圖形顏色和數據點的格式
dot_str ={'k*','ko','ks','kd'};
hold on;
for i=1:k
data_ = width_data((width_data(:,2)==i),1);
num = size(data_,1);
y= zeros(num,1);
%%y(:)表示y數組（或向量）中的每一個元素
y(:)=0.5*(i+1);
plot(data_,y,dot_str{1,i});
% plot(data_,y);
end
%title(title_);
hold off
end

——------------find_type.m---------------------------------------------------------------
function [ flag ] = find_type( data )
%% 根據規則，返回類別,1,2,3,4中的一個
rules = [0,0.179,0.258,0.35,0.504];

cols = size(rules,2);
for i=1:cols-1
if data>rules(i) && data<=rules(i+1)
flag =i;
return ;
end
end
flag =-1;

end
可以運行出來的代碼

Ⅶ matlab中pca

1，4 matlab是有幫助文檔的，我沒有明白你所指的去中心化處理是什麼，PCA的結果在數組自己的維度。
以下是幫助文檔，請仔細閱讀
coeff = pca(X) returns the principal component coefficients, also known as loadings, for the n-by-p data matrix X. Rows of X correspond to observations and columns correspond to variables. The coefficient matrix is p-by-p. Each column of coeffcontains coefficients for one principal component, and the columns are in descending order of component variance. By default, pca centers the data and uses the singular value decomposition (SVD) algorithm.
example
coeff = pca(X,Name,Value) returns any of the output arguments in the previous syntaxes using additional options for computation and handling of special data types, specified by one or more Name,Value pair arguments.
For example, you can specify the number of principal components pca returns or an algorithm other than SVD to use.
example
[coeff,score,latent] = pca(___) also returns the principal component scores in score and the principal component variances in latent. You can use any of the input arguments in the previous syntaxes.
Principal component scores are the representations of X in the principal component space. Rows of score correspond to observations, and columns correspond to components.
The principal component variances are the eigenvalues of the covariance matrix of X.
example
[coeff,score,latent,tsquared] = pca(___) also returns the Hotelling's T-squared statistic for each observation in X.
example
[coeff,score,latent,tsquared,explained,mu] = pca(___) also returns explained, the percentage of the total variance explained by each principal component and mu, the estimated mean of each variable in X.
2. PCA 和SVD的不同是，他們分解矩陣的方式是不同的。我建議你翻看wikipedia裡面SVD和PCA的說明，裡面公式很清晰了

Ⅷ MATLAB如何提取某一矩陣的某一列的部分數據

使用a(M,N)可以提取矩陣a中符合M，N要求的部分

最簡單是M，N都是標量，就是一個數例如：

a(1,1) a(2,3)分別返回a矩陣1行1列的單元 和 2行3列的單元

M，N還可以是矢量，例如：

a([1 2 3 4],[2 3]) 返回 1 2 3 4行 2 3 列的數據

總之matlab通過的下標提取矩陣部分是很靈活的，假設要提取矩陣a第n列的數據，使用a(:,n)就可以了，如果是要提取第n列前10個數據使用a(1:10,n)就可以了。

(8)matlab中數據去中心化擴展閱讀：

常用函數

floor(x)：下取整，即捨去正小數至相鄰整數

ceil(x)：上取整，即加入正小數至相鄰整數

rat(x)：將實數x化為多項分數展開

rats(x)：將實數x化為分數表示

sign(x)：符號函數(Signum function)

log10( ) 以10為底對數

acosd( ) 余正弦（返回度數）

sqrt( ) 開方

tan( ) 正切（變數為弧度）

realsqrt( ) 返回非負根

tand( ) 正切（變數為度數）

abs( ) 取絕對值

atan( ) 反正切（返回弧度）

Ⅸ 怎麼進行去中心化處理

根據侯傑泰的話：所謂中心化， 是指變數減去它的均值（即數學期望值）。對於樣本數據，將一個變數的每個觀測值減去該變數的樣本平均值，變換後的變數就是中心化的。
對於你的問題，應是每個測量值減去均值。

Ⅹ 在matlab的variable editor（就是matlab主界面中顯示數據的地方）中如何顯示完全的cell

一、若採用你的方法，Matlab的元胞數組是以字元的形式復制，而且數組較大時，不會顯示具體內容，如下圖所示；