我尝试使用主成分分析（PCA）进行特征选择，从九个特征（绿色均值、绿色方差、绿色标准差、红色均值、红色方差、红色标准差、色调均值、色调方差、色调标准差，即 [ MGcorr,VarGcorr, stdGcorr,MRcorr,VarRcorr,stdRcorr,MHcorr,VarHcorr,stdHcorr ]）中选出了四个最优特征，用于将数据分类为两个簇。根据文献，PCA似乎不是很好的方法，而应用核主成分分析（KPCA）进行特征选择会更好。我想应用KPCA进行特征选择，并尝试了以下方法：

d=4; % 要选择的特征数量，或d：降维后的维度[Y2 eigVector para ]=kPCA(feature,d); % feature是300X9的矩阵，其中300是观察数量，9是特征数量                                      % Y：降维后的数据

上述kPCA.m函数可从以下链接下载：http://www.mathworks.com/matlabcentral/fileexchange/39715-kernel-pca-and-pre-image-reconstruction/content/kPCA_v1.0/code/kPCA.m

在上述实现中，我想知道如何从9个特征中找出要选择的4个特征（即哪些顶级特征是最优的）用于聚类。

此外，我还尝试了以下函数来实现KPCA：

options.KernelType = 'Gaussian';options.t = 1;options.ReducedDim = 4;[eigvector, eigvalue] = KPCA(feature', options);

在上述实现中，我也遇到了同样的问题，无法确定从9个特征中选出的4个最佳/最优特征。

上述KPCA.m函数可从以下链接下载： http://www.cad.zju.edu.cn/home/dengcai/Data/code/KPCA.m

如果有人能帮助我实现我的问题的核主成分分析，那将非常好。

谢谢

回答：

PCA本身并不提供最优特征。它提供的是一组不相关的新的特征。当你选择“最佳”的4个特征时，你选择的是方差最大的特征（最大的特征值）。因此，对于“普通”的PCA，你只需选择对应于4个最大特征值的4个特征向量，然后通过矩阵乘法将原始的9个特征投影到这些特征向量上。

从你提供的核主成分分析函数的链接来看，返回值Y2似乎是原始数据转换为核-PCA空间的前d个特征，因此转换已经为你完成。