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 );

 1 net_feature_path = [path, 'net feature/'];
 2 
 3 %%
 4 test_feature = importdata([net_feature_path, 'HAT_test_features.txt']);
 5 [mapped_data, mapping] = compute_mapping(test_feature, 'PCA', 1000 );
 6 
 7 for i = 1:size(mapped_data, 1)
 8     line = mapped_data(i, :);
 9     file = fopen([net_feature_path, 'PCA_HAT_test_features.txt'], 'a');
10     fprintf(file, '%s ', mapped_data);
11     fprintf(file, '\n' );
12     fclose(file);
13 end
14 
15 % [coef, score, latent, t2] = princomp(test_fea);
16 % 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。。。。。