Weka中的PCA时间太长运行(Weka's PCA is taking too long

我想使用的Weka使用PCA算法特征选择。

我原来的功能空间包括〜9000点的属性，在2700个样本。
我试图减少使用下面的代码数据的维度：

AttributeSelection selector = new AttributeSelection();
PrincipalComponents pca = new PrincipalComponents();
Ranker ranker = new Ranker();
selector.setEvaluator(pca);
selector.setSearch(ranker);
Instances instances = SamplesManager.asWekaInstances(trainSet);
try { 
    selector.SelectAttributes(instances);
    return SamplesManager.asSamplesList(selector.reduceDimensionality(instances));
} catch (Exception e ) {
            ...
}

然而，这并没有结束于12小时内运行。它卡在该方法selector.SelectAttributes(instances); 。

我的问题是：预计秧鸡的PCA这么长的计算时间？还是我用错PCA？

如果从长远来看，时间预计：
我怎样才能调整PCA算法运行得更快？您能否提供一个替代？（+示例代码如何使用它）？

如果不是：
我究竟做错了什么？我应该如何调用PCA使用秧鸡拿到我的降维？

更新：评论证实了我的怀疑，它正在采取比预期更多的时间。
我想知道 ：我怎样才能在Java中获得PCA -使用秧鸡或备选库。
新增的赏金这一个。

Answer 1:

在WEKA代码深化之后，瓶颈正在创建的协方差矩阵，然后计算该矩阵的特征向量。即使尝试切换到矩阵疏林实现（我用COLT的SparseDoubleMatrix2D ）并没有帮助。

我想出了首先降低使用第一快速方法的维数的溶液（I使用的信息增益排名器，并且基于文档frequencey滤波），然后使用PCA上减小的维数到更远酌减。

该代码是比较复杂的，但它基本上可以归结为：

Ranker ranker = new Ranker();
InfoGainAttributeEval ig = new InfoGainAttributeEval();
Instances instances = SamplesManager.asWekaInstances(trainSet);
ig.buildEvaluator(instances);
firstAttributes = ranker.search(ig,instances);
candidates = Arrays.copyOfRange(firstAttributes, 0, FIRST_SIZE_REDUCTION);
instances = reduceDimenstions(instances, candidates)
PrincipalComponents pca = new PrincipalComponents();
pca.setVarianceCovered(var);
ranker = new Ranker();
ranker.setNumToSelect(numFeatures);
selection = new AttributeSelection();
selection.setEvaluator(pca);
selection.setSearch(ranker);
selection.SelectAttributes(instances );
instances = selection.reduceDimensionality(wekaInstances);

但是，这种方法取得了差那么用贪婪的信息增益和排序器，当I交叉验证用于估计的准确性。