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：
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 );
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 end14 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。。。。。