我的数据集是一个 60x10 矩阵。在通过减去每列的平均值来调整原始数据集后，我使用 matlab 使用 princomp(AdjustedData) 对该矩阵进行了主成分分析。因为我希望获得由前五个主成分描述的数据集，所以我选择了 COEFF 输出中的前五个向量作为我的特征向量。我首先将行特征向量（每行向量，5x10）乘以我的行调整数据矩阵（每行不同维度的转置调整数据矩阵，10x60）以获得所谓的最终数据。

           FinalData (5x60)=Row feature vector(5x10) * row AdjustedData(10x60)

然后，我将转置的行特征向量 (10x5) 乘以 FinalData(5x60) 以获得与转置的原始数据集相同维度的矩阵。

TransOriginalAdjustedData(10x60)=TransposedRowFeatureVector(10x5)*FinalData(5x60) 最后，我转置输出矩阵并将每列的平均值加回去以检索最终的原始矩阵（PCA 数据，我认为只有 5 个主成分描述的数据集) 我想与我的原始数据集进行比较。

    PCA data=OriginalAdjustedData(60x10)+ original column mean

我将原始数据集和 PCA 数据集的数据点之间的平方差相加，然后取和的平方根。结果约为 0.022。

但是，如果我将原始数据矩阵转置为 10x60 而不是 60x10，并执行相同的程序，则结果仅为 0.015。如果我转置原始矩阵，我知道在执行 PCA 时矩阵的维度会发生变化，但我无法弄清楚是什么导致了两者之间的巨大差异。我的数据集中的变量没有定义，所以我认为任何一种方式都应该是一样的。

我的程序基于这个 PCA 教程：http ://www.cs.otago.ac.nz/cosc453/student_tutorials/principal_components.pdf

谁能帮我解决这个问题？非常感谢。