最近跑深度学习,提出的feature是4096维的,放到我们的程序里,跑得很慢,很慢。。。。
于是,一怒之下,就给他降维处理了,但是matlab 自带的什么pca( ), princomp( )函数,搞不清楚怎么用的,表示不大明白,下了一个软件包:
名字:Matlab Toolbox for Dimensionality Reduction
链接:http://lvdmaaten.github.io/drtoolbox/
Currently, the Matlab Toolbox for Dimensionality Reduction contains the following techniques:
- Principal Component Analysis (PCA)
- Probabilistic PCA
- Factor Analysis (FA)
- Classical multidimensional scaling (MDS)
- Sammon mapping
- Linear Discriminant Analysis (LDA) 等34种降维方法。。。。
废话少说,上干货。。。。
先下载该软件包,解压到自己的matlab文件中,然后添加该软件包的路径:
addpath(genpath(‘你的路径/drtoolbox’));
然后就是上自己的数据了,我的数据为: test_feature,想把它降维到 1000维,执行:
test_feature为要降维处理的数据, pca 为我选择的降维方法, 1000 是我想要的最终数据维数,生成的mapped_data即为降维处理后的数据。
[mapped_data, mapping] = compute_mapping(test_feature, 'PCA', 1000 );
net_feature_path = [path, 'net feature/']; %%
test_feature = importdata([net_feature_path, 'HAT_test_features.txt']);
[mapped_data, mapping] = compute_mapping(test_feature, 'PCA', ); for i = :size(mapped_data, )
line = mapped_data(i, :);
file = fopen([net_feature_path, 'PCA_HAT_test_features.txt'], 'a');
fprintf(file, '%s ', mapped_data);
fprintf(file, '\n' );
fclose(file);
end % [coef, score, latent, t2] = princomp(test_fea);
% COEFF = pca(test_fea) ;
接下来,就是漫长的等待了,数据实在太大了。。。笔记本在咆哮。。。。。