数据挖掘：主成分分析、推荐系统和关联规则

中山大学软件工程数据挖掘第三次作业

github地址：https://github.com/linjiafengyang/DataMining

主成分分析（Principal Component Analysis，PCA）

请从课程网站或此链接下载Yale人脸数据集进行降维。通过MATLAB命令load(‘yale_face.mat’)读取数据，包含一个4096×165矩阵。（请注意，这里的矩阵X是课件第21页定义的数据矩阵X的转置。）此矩阵的每一列是由一张64×64灰度人脸图像所转成的向量。例如，可以使用imshow(reshape(X(:,1),[64 64]),[])命令显示第一张人脸图像（第一个训练样本）。

采用MATLAB中的svd函数计算主成分分析（PCA）模型可实现特征降维技术的应用过程如下：给定数据矩阵X和目标降维维度k，在进行标准化处理后对去中心化数据进行奇异值分解（SVD），得到奇异值分解结果[U,S,V] = svd(Xc)。其中生成投影矩阵Ureduce取SVD结果中最大的k个左奇异向量构成；通过线性变换Z = Ureduce' * Xc可获得样本在低维空间下的坐标表示，并由此计算出样本均值向量μ。具体实施时可指定