matlab 工具之各种降维方法工具包,下载及使用教程,有PCA, LDA, 等等。。。

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:

  1. Principal Component Analysis (PCA)
  2. Probabilistic PCA
  3. Factor Analysis (FA)
  4. Classical multidimensional scaling (MDS)
  5. Sammon mapping
  6. 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) ;

matlab 工具之各种降维方法工具包,下载及使用教程,有PCA, LDA, 等等。。。

接下来,就是漫长的等待了,数据实在太大了。。。笔记本在咆哮。。。。。

上一篇:ng-book札记——Angular工作方式


下一篇:spring 事务无效解决方法