SVD

用 GSL 求解超定方程组及矩阵的奇异值分解(SVD)

用GSL求解超定方程组及矩阵的奇异值分解(SVD)最近在学习高动态图像（HDR）合成的算法，其中需要求解一个超定方程组，因此花了点时间研究了一下如何用GSL来解决这个问题。
liyuanbhu·2016-11-20 12:28

SVD分解（奇异值分解）求旋转矩阵

参考文献：http://igl.ethz.ch/projects/ARAP/svd_rot.pdf一问题描述假设P={p1,p2,...,pn}和Q={q1,q2,...,qn}是两组Rd空间中的对应点集
Bryan Zhang·2016-11-18 10:31

从PCA和SVD的关系拾遗

从PCA和SVD的关系拾遗最近突然看到一个问题，PCA和SVD有什么关系？
Dark_Scope·2016-11-13 19:27

从PCA和SVD的关系拾遗

从PCA和SVD的关系拾遗最近突然看到一个问题，PCA和SVD有什么关系？
Dark_Scope·2016-11-13 19:27

SVD矩阵奇异值分解

参考文章：http://www.cnblogs.com/LeftNotEasy/archive/2011/01/19/svd-and-applications.html不正之处，欢迎指正！
秋水长天q·2016-11-05 20:38

奇异值分解(SVD)详解及其应用

1.前言第一次接触奇异值分解还是在本科期间，那个时候要用到点对点的刚体配准，这是查文献刚好找到了四元数理论用于配准方法（点对点配准可以利用四元数方法，如果点数不一致更建议应用ICP算法）。一直想找个时间把奇异值分解理清楚、弄明白，直到今天才系统地来进行总结。上一次学习过关于PCA的文章，PCA的实现一般有两种，一种是用特征值分解去实现的，一种是用奇异值分解去实现的。特征值和奇异值在大部分人的印象中
shenziheng1·2016-10-24 22:00

构建分布式的协同过滤推荐系统

传统的SVD只能对稠密矩阵进行分解，即不允许所分解的矩阵出现空值。为了解决稀疏矩阵分解学习问题，可以采用正则化矩阵分解（本节学习所用）和带偏置的矩阵分解。pack
追梦不止,静心致远·2016-10-09 19:27

构建分布式的协同过滤推荐系统

传统的SVD只能对稠密矩阵进行分解，即不允许所分解的矩阵出现空值。为了解决稀疏矩阵分解学习问题，可以采用正则化矩阵分解（本节学习所用）和带偏置的矩阵分解。pack
BD_Jiang·2016-10-09 19:00

[zz]谱聚类

关于它的理论，google一搜有很多博客讲，这里就不赘述了，反正最后还是归结为一个SVD分解问题，参考网址如下http://www.cnblogs.com/phineco
编著人·2016-09-28 17:00

Paper笔记: 斯坦福课程 CS224D：Deep Learning for NLP, lecture I

③奇异值分解（SVD分解）来得到词向量（wordvectorsorwordembeddings
pku_15120·2016-09-16 21:07

PCA和SVD

PCA（PrincipalComponentAnalysis）主成分分析PCA可以从数据中识别其主要特征，它是通过沿着数据最大方差方向旋转坐标轴来实现的。选择方差最大的方向座位第一条坐标轴，后续坐标轴则与前面的坐标轴正交。协方差矩阵上的特征值分析可以用一系列的正交坐标轴来获取。优点：降低数据的复杂性，识别最重要的几个特征缺点：不一定需要，且可能损失有用信息适用数据类型：数值型数据步骤：去除平均值计
Apassionata·2016-09-14 15:59

机器学习降维方法

特征降维方法包括：Lasso，PCA，小波分析，LDA，奇异值分解SVD，拉普拉斯特征映射，SparseAutoEncoder，局部线性嵌入LLE，等距映射Isomap，Embedding。
Bryan__·2016-09-09 16:17

10大开源的推荐系统

SVDFeature包含一个很灵活的MatrixFactorization推荐框架，能方便的实现SVD、SVD++等方法
EasyUX·2016-09-06 14:24

spark做视频推荐

下面我们来分析下同过滤算法协同过滤算法可分为：1.基于用户的（UserCF）2.基于商品的(itemCF)3.基于模型的(ModelCF)按照模型可以分为1.最近邻模型：基于距离的协同过滤2LatentFactorModel(SVD
qq_25104905·2016-08-28 15:23

Distributional Vector VS. Distributed Vector

Distributionalmodels(BOW,LSI,LDA)共现在同一文本区域中词(如同一语句)相关,在语料中的共现语句越多,越相关使用共现语句个数构建词与词(上下文)的PMI/PPMI矩阵(高维稀疏矩阵)，然后进行SVD
一只鸟的天空·2016-08-15 12:15

常用聚类算法

DecisionTree,DT）支持向量机（SupportVectorMachine,SVM）LR算法FM算法:FM主要用SVDFeature；随机森林（RandomForest,RF）GBDT算法，SVD
aoeace·2016-08-05 14:41

SVD & PCA

本文讲解SVD和PCASingularValueDecompositionabbr.SVDTheSingularValueDecompositionisahighlightoflinearalgebra.Aisanymbynmatrix
d_delete·2016-07-31 10:00

奇异值分解(SVD)原理详解及推导-矩阵相关

SVD原理以及推导一。关于这篇文章的开始几句话看过我之前写过文章的童鞋们会发现我写文章的水平很烂的，所以看官们见谅啊！
内cool二皮·2016-07-20 18:56

推荐算法：基于svd的算法：svd

表示rui发生的时间数据集合的稀疏程度：99%评分存放集合：K={(u,v)：rui已知}用户u评分的物品集合：R(u)对物品i评分的用户集合：R(i)用户u提高了隐式偏好信息的物品集合：N(u)=>svd
LandscapeMi·2016-07-10 07:47

强大的矩阵奇异值分解(SVD)及其应用

本文转自：http://www.cnblogs.com/LeftNotEasy/archive/2011/01/19/svd-and-applications.html前言：上一次写了关于PCA与LDA
Dr_Neo·2016-06-30 19:45

用Mxnet实现矩阵分解

在《关于LDA,pLSA,SVD,Word2Vec的一些看法》一文中我们提到了SVD的算法。之前TensorFlow刚出来时，就听说可以很容易的用TF实现这个算法（参考这篇文章）。
xlvector·2016-06-19 22:57

zabbix监控硬盘指标，tcp连接状态

bin/pythonimport subprocessimport jsonargs="cat /proc/diskstats |grep -E '\ssd[a-z]\s|\sxvd[a-z]\s|\svd
ly36843·2016-05-24 10:14

zabbix监控硬盘指标，tcp连接状态

python import subprocess import json args="cat /proc/diskstats |grep -E '\ssd[a-z]\s|\sxvd[a-z]\s|\svd
ly36843·2016-05-24 10:14

opencv中SVD分解并恢复重构矩阵

opencv中SVD分解并恢复重构矩阵特征值分解可以用在主成分分析（PCA）中,当使用opencv对一个矩阵进行了特征值分解后，可以根据分解出的u，w，v矩阵将原矩阵恢复回来。
Daky_u·2016-05-16 23:48

opencv中SVD分解并恢复重构矩阵

opencv中SVD分解并恢复重构矩阵特征值分解可以用在主成分分析（PCA）中,当使用opencv对一个矩阵进行了特征值分解后，可以根据分解出的u，w，v矩阵将原矩阵恢复回来。
Daky_u·2016-05-16 23:48

2016.4.8 svd实现

今天在看ml的基础知识，其中想练练手，就拿python实现svd，其中遇上了诸多问题，好多之前的坑都忘记了，再次记录一下。
Zhaohui1995_Yang·2016-05-08 17:00

推荐系统构建中的PCA和SVD算法

      推荐本质上是求相似度，重点是如何度量相似性。推荐的常用算法是协同过滤算法，该算法基于用户行为的数据而设计的推荐算法。M个人对N个商品产生行为，从而构成联系，对M个人进行聚类是基于用户（M1和M2相似，则已知M1购买P1，可将P1商品推荐给M2），对N个商品进行聚类是基于商品（P1和P2商品相似，则已知M1购买P1，可将P2商品推荐给M1）。      相似度/距离计算方法有以下几种： 
American199062·2016-05-08 08:00

机器学习中的数学(5)-强大的矩阵奇异值分解(SVD)及其应用

版权声明：   本文由LeftNotEasy发布于http://leftnoteasy.cnblogs.com,本文可以被全部的转载或者部分使用，但请注明出处，如果有问题，请联系[email protected]前言：   上一次写了关于PCA与LDA的文章，PCA的实现一般有两种，一种是用特征值分解去实现的，一种是用奇异值分解去实现的。在上篇文章中便是基于特征值分解的一种解释。特征值和奇异值
u011534057·2016-05-07 17:00

机器学习课堂笔记（十四）

机器学习课堂笔记（十四）使用低维数据来近似表示高维数据通过数据可视化来获得降维数据的物理意义Σ和∑ni=1不同Σ的计算对于所有的样本值此时计算的是一个样本值x(i)的降维z(i)保留99%的差异性[U,S,V]=svd
github_27432191·2016-05-06 21:00

SVD矩阵分解考虑时间因素

推荐系统种矩阵分解有着不错的效果，其中SVD（SingularValueDecomposition）奇异值矩阵分解也是常用的一种方法，通过对原始矩阵进行SVD分解后，可以将原始高纬数据映射到低维空间，在降维过程中
u010111016·2016-04-29 20:00

SVD建模

以MovieLens电影推荐为例，SVD(SingularValueDecomposition)的想法是根据已有的评分情况，分析出评分者对各个因子的喜好程度以及电影包含各个因子的程度，最后再反过来根据分析结果
madman188·2016-04-25 11:00

特征值分解和SVD

特征值分解如果说一个向量v是方阵A的特征向量，将一定可以表示成下面的形式：这时候λ就被称为特征向量v对应的特征值，一个矩阵的一组特征向量是一组正交向量。特征值分解是将一个矩阵分解成下面的形式：其中Q是这个矩阵A的特征向量组成的矩阵，Σ是一个对角阵，每一个对角线上的元素就是一个特征值。我这里引用了一些参考文献中的内容来说明一下。首先，要明确的是，一个矩阵其实就是一个线性变换，因为一个矩阵乘以一个向量
机器不学习_·2016-04-25 10:55

特征值分解和SVD

特征值分解如果说一个向量v是方阵A的特征向量，将一定可以表示成下面的形式：这时候λ就被称为特征向量v对应的特征值，一个矩阵的一组特征向量是一组正交向量。特征值分解是将一个矩阵分解成下面的形式：其中Q是这个矩阵A的特征向量组成的矩阵，Σ是一个对角阵，每一个对角线上的元素就是一个特征值。我这里引用了一些参考文献中的内容来说明一下。首先，要明确的是，一个矩阵其实就是一个线性变换，因为一个矩阵乘以一个向量
madman188·2016-04-25 10:00

大数据中简化数据的几种方式

2、SVD（奇异值分解）。优势：简化数据，去除噪声，提高算法结果。  在推荐系统的相似度矩阵计算过程中，能够通过SVD从高维降到低维，减少计算量，保障推荐的效果。
qq_23617681·2016-04-22 15:00

机器学习实战之SVD

1.奇异值分解SVD(singularvaluedecomposition)1.1SVD评价  优点:简化数据,去除噪声和冗余信息,提高算法的结果  缺点:数据的转换可能难以理解1.2SVD应用(1)隐性语义索引
sinat_17451213·2016-04-20 19:00

空间离散点拟合成空间平面

根据协方差矩阵的SVD变换，最小奇异值对应的奇异向量就是平面的方向。2.代码设计%随机生成一组（x,y,z),这些点的坐标离一个空间平面比较近 x0=1,L1=2; y0=1,L2=2; x=x0
shenziheng1·2016-04-17 21:00

奇异值分解（SVD）详解

SVD分解SVD分解是LSA的数学基础，本文是我的LSA学习笔记的一部分，之所以单独拿出来，是因为SVD可以说是LSA的基础，要理解LSA必须了解SVD，因此将LSA笔记的SVD一节单独作为一篇文章。
dulingtingzi·2016-04-14 10:00

简单易学的机器学习算法——主成分分析(PCA)

处理降维的技术有很多种，如前面的SVD奇异值分解，主成分分析(PCA)，因子分析(FA)，独立成分分析(ICA)等等。二、PCA的概念  PCA是一种较为常用的降维技术，PCA的思想
qqh19910525·2016-04-13 19:00

【机器学习详解】矩阵奇异值分解(SVD)及其应用

本文转载自：       LeftNotEasy发布于http://leftnoteasy.cnblogs.com前言：   上一次写了关于PCA与LDA的文章，PCA的实现一般有两种，一种是用特征值分解去实现的，一种是用奇异值分解去实现的。在上篇文章中便是基于特征值分解的一种解释。特征值和奇异值在大部分人的印象中，往往是停留在纯粹的数学计算中。而且线性代数或者矩阵论里面，也很少讲任何跟特征值与奇
luoshixian099·2016-04-10 09:00

R语言中的matrix(矩阵)，list(列表)，data.frame(数据框)总结

特有的是矩阵的一些运算，例如：求维度：dim(A)转置：t(A)求行列式：det(A)矩阵相乘：x%*%y对角运算：diag(A)求逆：solve(A,b)求特征值和特征向量：eigen(A)奇异值分解：svd
有腹肌的小蝌蚪_·2016-04-09 13:12

R语言中的matrix(矩阵)，list(列表)，data.frame(数据框)总结

特有的是矩阵的一些运算，例如：求维度：dim(A)转置：t(A)求行列式：det(A)矩阵相乘：x%*%y对角运算：diag(A)求逆：solve(A,b)求特征值和特征向量：eigen(A)奇异值分解：svd
yezonggang·2016-04-09 13:00

推荐系统之矩阵分解

一个比较著名的矩阵分解算法是SVD，SVD是将已有的评分矩阵分解为3个矩阵，有了这3个矩阵，就可以预测用户对某个未评分item的分值，一般将原始的评分矩阵分解成这3个矩阵之后，会做一定的降维处理，之后再做预测
winone361·2016-04-09 03:00

机器学习部分数学基础

上面的分解就是奇异值分解(SingularValueDecomposition,SVD)。其中U的列向量为A的左奇异向量，V的列向量为右奇异向量。σi称为奇异值(
zackzhaoyang·2016-04-07 15:00

pca降维的理论知识

在本文中，将会很详细的解答这些问题：PCA、SVD、特征值、奇异值、特征向量这些关键词是怎么联系到一起的？又是如何在一个矩阵上体现出来？它们如何决定着一个矩阵的性质？能不能用一种直观又容易理解的方式
jialeheyeshu·2016-04-07 15:00

[原]SVD综述和Mahout中实现

说到SVD算法不能不说到Netflix举办的推荐大赛，这次比赛对推荐系统工业界产生了很大影响，伴随着提出了很多算法思路，所以本文也
huruzun·2016-04-04 19:00

[置顶] SVD综述和Mahout中实现

说到SVD算法不能不说到Netflix举办的推荐大赛，这次比赛对推荐系统工业界产生了很大影响，伴随着提出了很多算法思路，所以本文也
huruzun·2016-04-04 11:00

矩阵奇异值分解(SVD)及其应用

前言：   上一次写了关于PCA与LDA的文章，PCA的实现一般有两种，一种是用特征值分解去实现的，一种是用奇异值分解去实现的。在上篇文章中便是基于特征值分解的一种解释。特征值和奇异值在大部分人的印象中，往往是停留在纯粹的数学计算中。而且线性代数或者矩阵论里面，也很少讲任何跟特征值与奇异值有关的应用背景。奇异值分解是一个有着很明显的物理意义的一种方法，它可以将一个比较复杂的矩阵用更小更简单的几个子
Losteng·2016-04-02 13:00

奇异值分解(SVD)原理详解及推导

 在网上看到有很多文章介绍SVD的，讲的也都不错，但是感觉还是有需要补充的，特别是关于矩阵和映射之间的对应关系。
zhangyueweia·2016-04-01 19:00

特征工程 for machine learning

在机器学习中，经常是用一个预测模型（线性回归，逻辑回归，SVD等）和一堆原始数据来得到一些预测的结果，人们需要做的是从这堆原始数据中去提炼较优的结果，然后做到最优的预测。
wtq1993·2016-03-31 20:00

SVD简化数据（《Machine Learning in Action》笔记）

优点：简化数据，去除噪声，提高算法的结果缺点：数据的转换可能难以理解适用数据类型：数值型数据LSI（LatentSemanticIndexing），浅层语义索引LSA（LatentSemanticAnalysis），浅层语义分析importnumpy defloadExData(): return[[0,0,0,2,2],[0,0,0,3,3],[0,0,0,1,1],[1,1,1,0,0],[
babyhujn0526·2016-03-31 12:00
上一页 33 34 35 36 37 38 39 40 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他