Построение преобразования PCA в Java

Question

Учитывая приведенный ниже класс, как бы я нарисовал результат матрицы? Я попытался использовать Plot2DPanel с точечной диаграммой, но безрезультатно, так как возвращается с ошибкой:

Исключение в потоке "main" java .lang.ArrayIndexOutOfBoundsException: индекс 2 выходит за пределы длины 2

Есть ли какие-либо другие средства построения графиков, которые я мог бы попытаться построить для этого преобразования PCA?

import org.math.plot.FrameView;
import org.math.plot.Plot2DPanel;
import org.math.plot.PlotPanel;
import org.math.plot.plots.ScatterPlot;

import cern.colt.matrix.DoubleMatrix1D;
import cern.colt.matrix.DoubleMatrix2D;
import cern.colt.matrix.doublealgo.Statistic;
import cern.colt.matrix.impl.DenseDoubleMatrix2D;
import cern.colt.matrix.impl.SparseDoubleMatrix2D;
import cern.colt.matrix.linalg.Algebra;
import cern.colt.matrix.linalg.EigenvalueDecomposition;
import hep.aida.bin.DynamicBin1D;

public class PrinceComp {
    // to show matrix creation, it does not make much sense to calculate PCA on random data
    public static void main(String[] x) {
        double[][] data = {
            {2.0,4.0,1.0,4.0,4.0,1.0,5.0,5.0,5.0,2.0,1.0,4.0}, 
            {2.0,6.0,3.0,1.0,1.0,2.0,6.0,4.0,4.0,4.0,1.0,5.0},
            {3.0,4.0,4.0,4.0,2.0,3.0,5.0,6.0,3.0,1.0,1.0,1.0},
            {3.0,6.0,3.0,3.0,1.0,2.0,4.0,6.0,1.0,2.0,4.0,4.0}, 
            {1.0,6.0,4.0,2.0,2.0,2.0,3.0,4.0,6.0,3.0,4.0,1.0}, 
            {2.0,5.0,5.0,3.0,1.0,1.0,6.0,6.0,3.0,2.0,6.0,1.0}
        };

        DoubleMatrix2D matrix = new DenseDoubleMatrix2D(data);

        DoubleMatrix2D pm = pcaTransform(matrix);

        // print the first two dimensions of the transformed matrix - they capture most of the variance of the original data
        System.out.println(pm.viewPart(0, 0, pm.rows(), 2).toString());

        Plot2DPanel plot = new Plot2DPanel();

        // As scatter plot looks for a double I convert pm to array.
        ScatterPlot scatterPlot = new ScatterPlot("label", PlotPanel.COLORLIST[0], pm.toArray());
        plot.plotCanvas.setNotable(true);
        plot.plotCanvas.setNoteCoords(true);
        plot.plotCanvas.addPlot(scatterPlot);

        FrameView plotframe = new FrameView(plot);
        plotframe.setVisible(true);
    }

    /** Returns a matrix in the space of principal components, take the first n columns  */
    public static DoubleMatrix2D pcaTransform(DoubleMatrix2D matrix) {
        DoubleMatrix2D zScoresMatrix = toZScores(matrix);
        final DoubleMatrix2D covarianceMatrix = Statistic.covariance(zScoresMatrix);

        // compute eigenvalues and eigenvectors of the covariance matrix (flip needed since it is sorted by ascending).
        final EigenvalueDecomposition decomp = new EigenvalueDecomposition(covarianceMatrix);

        // Columns of Vs are eigenvectors = principal components = base of the new space; ordered by decreasing variance
        final DoubleMatrix2D Vs = decomp.getV().viewColumnFlip(); 

        // eigenvalues: ev(i) / sum(ev) is the percentage of variance captured by i-th column of Vs
        // final DoubleMatrix1D ev = decomp.getRealEigenvalues().viewFlip();

        // project the original matrix to the pca space
        return Algebra.DEFAULT.mult(zScoresMatrix, Vs);
    }


    /**
     * Converts matrix to a matrix of z-scores (by columns)
     */
    public static DoubleMatrix2D toZScores(final DoubleMatrix2D matrix) {
        final DoubleMatrix2D zMatrix = new SparseDoubleMatrix2D(matrix.rows(), matrix.columns());
        for (int c = 0; c < matrix.columns(); c++) {
            final DoubleMatrix1D column = matrix.viewColumn(c);
            final DynamicBin1D bin = Statistic.bin(column);

            if (bin.standardDeviation() == 0) {   // use epsilon
                for (int r = 0; r < matrix.rows(); r++) {
                    zMatrix.set(r, c, 0.0);
                }
            } else {
                for (int r = 0; r < matrix.rows(); r++) {
                    double zScore = (column.get(r) - bin.mean()) / bin.standardDeviation();
                    zMatrix.set(r, c, zScore);
                }
            }
        }

        return zMatrix;
    }
}

Кстати, этот код выводит результат в следующем формате:

6 x 2 matrix
-0.55318  -3.287054
 2.53943  -0.007882
-2.673288 -0.041674
-0.936441  1.309237
 2.370936  0.2667  
-0.747457  1.760673