matlab中数据去中心化

Ⅰ matlab中如何进行数据中心化处理

1．首先，打开计算机上的“ matlab”软件，主界面如下图所示，可以通过在命令行中输入代码来运行。

Ⅱ 如何利用matlab提取矩阵中的数据

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

Ⅲ matlab中矩阵中的数据精度如何改变

提高MATLAB中数值的精度，例如下：
例如要求矩阵的特征值
A =
1 2

1 3
>> eig(A) !!求矩阵A的全部特征值。

ans = !!A的特征值计算如下

0.2679

3.7321
计算的结果如上，但现在精度不够，需要精确到小数点后9到10位。
方法如下：

1)
vpa(eig(A),10) !!使用变量精度算法(VPA)去计算A的特征值每个元素为10位小数位精度，其中10是当前设置的位数。
ans =

.2679491924

3.732050808
2)

>> A = [1 2;1 4];
>> format long !! format long 显示15位双精度。
>> eig(A)

ans =

0.267949192431123

3.732050807568877

format：设置输出格式

对浮点性变量，缺省为format short.
format并不影响matlab如何计算和存储变量的值。对浮点型变量的计算，即单精度或双精度，按合适的浮点精度进行，而不论变量是如何显示的。对整型变量采用整型数据。整型变量总是根据不同的类（class）以合适的数据位显示，例如，3位数字显示显示int8范围 -128：127。
format short, long不影响整型变量的显示。
format long 显示15位双精度，7为单精度（scaled fixed point）
format short 显示5位(scaled fixed point format with 5 digits)
format short eng 至少5位加3位指数
format long eng 16位加至少3位指数
format hex 十六进制
format bank 2个十进制位
format + 正、负或零
format rat 有理数近似
format short 缺省显示
format long g 对双精度，显示15位定点或浮点格式，对单精度，显示7位定点或浮点格式
format short g 5位定点或浮点格式
format short e 5位浮点格式
format long e 双精度为15位浮点格式，单精度为7为浮点格式

Ⅳ 求大神解答:matlab软件中center and scale x data是什么意思

你好

这句话的意思是将x data原始数据进行中心化与比例化处理。类似于线性插值技术。matlab在曲线拟合工具箱中加入这个选项是为了当X data与ydata拟合不好时，选择这个选项有利于得到更好的拟合效果。matlab通过正则化预测数据（Xdatal）的中心与比例，以有助于预测。具体实现过程如下：

x 是预测数据, μ 是 x的均值, σ 是x的标准差 .把xdata数据转换成z， 转换后的数据中心 为0, 标准差为 1.

经过centering and scaling后，求出的多项式系数是y与z的函数关系，与y与x关系不同。但是模型形式与残差范数没有变化。具体如何实现过程见matlab给出的比较代码：

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

处理后x与z数据的差异化见下图：

好处是能得到更加精确的拟合结果。

可也有缺点，得不到y与x的直接函数关系式，只能间接通过z得到。

希望对你有帮助！

Ⅳ matlab向mat中写入数据,不覆盖原有数据

mat中写入数据，不覆盖原有数据的方法。

如下参考：

1.打开matlab，在命令行窗口中输入100个a=[1、2、3、4、5、6]，按下回车键，输入保存a，一个变量保存在新生成的a.m.中。在文件中，如下图。

Ⅵ MATLAB如何进行数据离散化

-----data_seperate.m-----------------------------------------------------------
%%数据初始化

data='D:\work\数据离散化代码\discretization_data.xls';
k=4;
%%数据读入
[data,~]=xlsread(data);
rows=size(data,1);
%%等宽离散化，规则需要自己定义
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);
%%等频离散化
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;
%%聚类离散化
[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('数据离散化完成！');
-------------cust-subplot.m------------------------------------------------
function cust_subplot(width_data,rows,cols,index,k)
%% 自定义画图
subplot(rows,cols,index);

%%定义图形颜色和数据点的格式
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数组（或向量）中的每一个元素
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 )
%% 根据规则，返回类别,1,2,3,4中的一个
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
可以运行出来的代码

Ⅶ matlab中pca

1，4 matlab是有帮助文档的，我没有明白你所指的去中心化处理是什么，PCA的结果在数组自己的维度。
以下是帮助文档，请仔细阅读
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，他们分解矩阵的方式是不同的。我建议你翻看wikipedia里面SVD和PCA的说明，里面公式很清晰了

Ⅷ MATLAB如何提取某一矩阵的某一列的部分数据

使用a(M,N)可以提取矩阵a中符合M，N要求的部分

最简单是M，N都是标量，就是一个数例如：

a(1,1) a(2,3)分别返回a矩阵1行1列的单元 和 2行3列的单元

M，N还可以是矢量，例如：

a([1 2 3 4],[2 3]) 返回 1 2 3 4行 2 3 列的数据

总之matlab通过的下标提取矩阵部分是很灵活的，假设要提取矩阵a第n列的数据，使用a(:,n)就可以了，如果是要提取第n列前10个数据使用a(1:10,n)就可以了。

(8)matlab中数据去中心化扩展阅读：

常用函数

floor(x)：下取整，即舍去正小数至相邻整数

ceil(x)：上取整，即加入正小数至相邻整数

rat(x)：将实数x化为多项分数展开

rats(x)：将实数x化为分数表示

sign(x)：符号函数(Signum function)

log10( ) 以10为底对数

acosd( ) 余正弦（返回度数）

sqrt( ) 开方

tan( ) 正切（变量为弧度）

realsqrt( ) 返回非负根

tand( ) 正切（变量为度数）

abs( ) 取绝对值

atan( ) 反正切（返回弧度）

Ⅸ 怎么进行去中心化处理

根据侯杰泰的话：所谓中心化， 是指变量减去它的均值（即数学期望值）。对于样本数据，将一个变量的每个观测值减去该变量的样本平均值，变换后的变量就是中心化的。
对于你的问题，应是每个测量值减去均值。

Ⅹ 在matlab的variable editor（就是matlab主界面中显示数据的地方）中如何显示完全的cell

一、若采用你的方法，Matlab的元胞数组是以字符的形式复制，而且数组较大时，不会显示具体内容，如下图所示；