使用Matlab数据降维工具箱进行PCA降维

为了将高维度的能谱数据进行降维，在学习PCA降维时，了解到Matlab中的drtoolbox工具箱，这个Matlab数据降维工具箱，包括了包含PCA在内的几乎所有的数据降维方法，使用起来非常方便。下面是这个工具箱的安装方式（我使用的是Matlab R2016a）

下载地址：

https://lvdmaaten.github.io/drtoolbox/code/drtoolbox.tar.gz

下载后，将其解压到Matlab目录下的的toolbox文件夹中，并将其全部添加到路径。

完成后，在命令行输入rehash toolboxcache 命令，完成工具箱加载。

>>rehash toolboxcache

可以在命令行输入what drtoolbox和what drtoolbox\techniques测试安装是否成功。

>>what drtoolbox

>>what drtoolbox\techniques

 起初我意向将4096*1的能谱数据降低维度，后来了解到drtoolbox 的 compute_mapping 函数接受一个数据矩阵作为输入，其中每一行代表一个样本，每一列代表一个特征。于是我将数据转置为1*4096的形式，进行PCA降维。

data = importdata('1.txt');
data = data.data;
X = data(9:end, 1);
Y = X';
[mappedX, mapping] = compute_mapping(Z, 'PCA', 32);

遇到如下报错

警告: Target dimensionality reduced to 1. 
> In pca (line 53)
  In compute_mapping (line 378) 

 提示我PCA (主成分分析) 算法在降维过程中自动将目标维度调整为 1。

参考了相关博客 https://blog.csdn.net/mingtian715/article/details/54172281

了解到了PCA降维后的维数一定要小于数据样本数！！！（详情请见上博客）

为了验证该结论，我使用reshape函数将该1*4096的矩阵转换为16*256的，并试图将其降维为16*32。

提示我维度自动调整到了16，刚好为数据样本数，降维后的矩阵也为16*16，验证了以上说法。于是我将1*4096的矩阵reshape为32*128，设置PCA降维后的矩阵维度为2，并以散点图形式显示。

data = importdata('1.txt');
X = data(9:end, 1);
Y = X';
Z=reshape(Y,32,128)  
[mappedX, mapping] = compute_mapping(Z, 'PCA', 2);
scatter(mappedX(:, 1), mappedX(:, 2));
title('Result of Dimensionality Reduction');

 成功将其降维为32*2，实现了使用Matlab数据降维工具箱进行PCA降维。