SVD

读书笔记：机器学习实战(5)——章6的支持向量机代码和个人理解与注释

支持向量机，个人理解就是有一个n维的特征空间，要想把里面的特征二分（多分类是svd的变种方法，后面再讲），那么就需要一个n－1维的超平面来分割它（比
u010910436·2016-03-29 19:00

机器学习实战--数据预处理

这里介绍两种数据预处理（降维）的方法：pca和svd数据降维主要有这几种方法：1、主成分分析（PCA）：PCA实际上是进行坐标的转换，转换后的坐标的第一维选择数据方差最大的方向，第二维选择与第一维正交且数据方差最大的方向
sunnyxiaohu·2016-03-27 22:00

SVD在推荐系统中的应用（资源汇总）

关于SVD在推荐系统中的应用一些比较好的资源博文[1]给出了一个具体的实例分析，能够很好的理解SVD在推荐系统中应用对推荐结果所起的作用。
dajunxing·2016-03-27 22:21

奇异值分解(SVD)和最小二乘解在解齐次线性超定方程中的应用

奇异值分解，是在A不为方阵时的对特征值分解的一种拓展。奇异值和特征值的重要意义相似，都是为了提取出矩阵的主要特征。对于齐次线性方程 A*X=0;当A的秩大于列数时，就需要求解最小二乘解，在||X||=1的约束下，其最小二乘解为矩阵A'A最小特征值所对应的特征向量。假设x为A'A的特征向量的情况下，为什么是最小的特征值对应的x能够是目标函数最小?具体证明如下：齐次线性方程组的最小二乘问题可以写成如下
litaotao_doctor·2016-03-26 21:00

奇异值分解(SVD)与线性变换的几何意义

原文：Werecommendasingularvaluedecomposition转自：奇异值分解(SVD)---线性变换几何意义      奇异值分解(SVD)---几何意义 PS：一直以来对SVD分解似懂非懂
GDFSG·2016-03-26 16:00

D-KSVD（Discrimination K-SVD）

一、概述 本文主要是对SRC算法的改进而介绍D-KSVD算法。由于SRC在字典学习时，选取训练集中的训练样本作为字典来进行编码，由此可能产生的问题有：字典过大，导致实验进行时运算量大耗时过长；字典原子未经过处理可能存在噪声；利用未经处理的训练样本作为字典原子，可能无法得到不同类样本所蕴含的深沉的区别点。但是SRC的优点是能够比较好点体现出字典的识别力。针对SRC的缺点，很自然的能想到字典学习的常用
qq_31076269·2016-03-25 20:00

PCA主成分分析过程及理论

在写这篇之前，我阅读了PCA、SVD和LDA。这几个模型相近，却都有自己的特点。本篇打算先介绍PCA，至于他们之间的关系，只能是边学边体会了。PCA以前也叫做Principa
YCH1035235541·2016-03-24 20:00

Kmeans聚类过程的动态可视化

最近在做一个推荐系统的时候，我们采用的方法是基于SVD的K-means聚类协同过滤算法，其中在实现Kmeans聚类算法的时候参考了一篇文章，里面给出了算法代码，并且很有新意的把最终的聚类结果以散点图的形式展示了一下
happyyear1·2016-03-24 17:00

Kmeans聚类过程的动态可视化

最近在做一个推荐系统的时候，我们采用的方法是基于SVD的K-means聚类协同过滤算法，其中在实现Kmeans聚类算法的时候参考了一篇文章，里面给出了算法代码，并且很有新意的把最终的聚类结果以散点图的形式展示了一下
happyyear1·2016-03-24 17:00

pca与svd的好文

 本文由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异值有关的应用背
ivysister·2016-03-21 16:00

SVD：奇异值分解

今天来讲讲SVD是怎么回事首先说说什么是SVD，这货可不是SVM，SVD(SingularValueDecomposition)是奇异值分解的缩写，该方法应用在生物信息学到金融学等很多应用之中，SVD都是提取信息的强大工具
chixujohnny·2016-03-20 16:49

SVD：奇异值分解

今天来讲讲SVD是怎么回事首先说说什么是SVD，这货可不是SVM，SVD(SingularValueDecomposition)是奇异值分解的缩写，该方法应用在生物信息学到金融学等很多应用之中，SVD都是提取信息的强大工具
chixujohnny·2016-03-20 16:00

SVD（二）

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
littleqqqqq·2016-03-16 16:00

SVD（一）

PS：一直以来对SVD分解似懂非懂，此文为译文，原文以细致的分析+大量的可视化图形演示了SVD的几何意义。能在有限的篇幅把这个问题讲解的如此清晰，实属不易。
littleqqqqq·2016-03-16 15:00

特征降维 理论

特征值分解奇异值分解SVDPython实现SVD低阶近似奇异值选取策略相似度计算基于物品相似度基于物品相似度的推荐步骤利用物品相似度预测评分基于物品相似度的推荐结果利用SVD降维利用SVD降维前后结果比较基于
mlljava1111·2016-03-10 15:00

把几个降维的算法（FA PCA SVD ICA LPP LDA ）归纳一下

因子分析（FA）因子分析其实就是认为高维样本点实际上是由低维样本点经过高斯分布、线性变换、误差扰动生成的，因此高维数据可以使用低维来表示（本质上就是一种降维算法）。因子分析(factoranalysis)是一种数据简化的技术。它通过研究众多变量之间的内部依赖关系，探求观测数据中的基本结构，并用少数几个假想变量来表示其基本的数据结构。这几个假想变量能够反映原来众多变量的主要信息。原始的变量是可观测的
qiusuoxiaozi·2016-03-05 20:39

把几个降维的算法（FA PCA SVD ICA LPP LDA ）归纳一下

因子分析（FA）因子分析其实就是认为高维样本点实际上是由低维样本点经过高斯分布、线性变换、误差扰动生成的，因此高维数据可以使用低维来表示（本质上就是一种降维算法）。因子分析(factoranalysis)是一种数据简化的技术。它通过研究众多变量之间的内部依赖关系，探求观测数据中的基本结构，并用少数几个假想变量来表示其基本的数据结构。这几个假想变量能够反映原来众多变量的主要信息。原始的变量是可观测的
qiusuoxiaozi·2016-03-05 20:00

机器学习（十三）k-svd字典学习

k-svd字典学习原文地址:http://blog.csdn.net/hjimce/article/details/50810129作者：hjimce一、字典学习字典学习也可简单称之为稀疏编码，字典学习偏向于学习字典
hjimce·2016-03-05 18:00

机器学习（十三）k-svd字典学习

k-svd字典学习原文地址:http://blog.csdn.net/hjimce/article/details/50810129作者：hjimce一、字典学习字典学习也可简单称之为稀疏编码，字典学习偏向于学习字典
hjimce·2016-03-05 00:00

奇异值分解及几何意义

PS：一直以来对SVD分解似懂非懂，此文为译文，原文以细致的分析+大量的可视化图形演示了SVD的几何意义。能在有限的篇幅把这个问题讲解的如此清晰，实属不易。
MAGANG255·2016-03-04 15:00

机器学习中的数学(5)-强大的矩阵奇异值分解(SVD)及其应用

http://www.cnblogs.com/LeftNotEasy/archive/2011/01/19/1939687.html 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
donaldlee·2016-03-03 00:00

机器学习中的数学 -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
baobei0112·2016-02-25 14:00

矩阵分解在推荐系统中的应用：NMF和经典SVD实战

http://www.letiantian.me/2015-05-25-nmf-svd-recommend/本文以NMF和经典SVD为例，讲一讲矩阵分解在推荐系统中的应用。
winone361·2016-02-20 19:00

PCA和SVD区别和联系

前言：PCA(principalcomponentanalysis)和SVD(Singularvaluedecomposition)是两种常用的降维方法，在机器学习等领域有广泛的应用。
AlexInML·2016-02-07 11:07

PCA和SVD区别和联系

前言：PCA(principalcomponentanalysis)和SVD(Singularvaluedecomposition)是两种常用的降维方法，在机器学习等领域有广泛的应用。
wangjian1204·2016-02-07 11:00

机器学习之Apriori

但是有一次在国内某家在线旅游公司实习的时候发现他们也没有用到什么高大上的算法(说实话有点失望，公司中应用的并不是想象的那样，也许中有微软/谷歌这种级别的公司才能够研究高大上的算法吧)，基本上逻辑回归/关联算法/协同过滤，最多加上一个SVD
sihuahaisifeihua·2016-02-02 16:00

模式识别课程总结

todo做大作业第一次作业是用贝叶斯分类器做数字识别；第二次作业是用SVM做数字识别（数据库和第一次作业一样）；第三次作业是用SVD在耶鲁的人脸数据库上做人脸识别（数据库：http://vision.ucsd.edu
dunfentiao·2016-01-27 17:00

K-SVD

http://blog.csdn.net/abcjennifer/article/details/8693342K-SVDRachelZhang 1.k-SVDintroduction1.  K-SVDusage:Design/Learnadictionaryadaptivelytobetterfitthemodelandachievesparsesignalrepresentations.2. 
qq_27432889·2016-01-25 18:00

奇异值分解

转载自：http://blog.csdn.net/zhongkejingwang/article/details/43053513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
scottwang·2016-01-23 22:00

[图像] 奇异值分解与隐性语义分析

进行SVD分解的方法：首先要知道矩阵的秩，也就是最大线性不相关的行（列）向量的个数，比如对于以下两个矩阵矩阵1矩阵2第一个矩阵两行（列）是线性相关的，所以秩为1，第二个矩阵两行（列）不是线性相关的，所以秩为
ZJU_fish1996·2016-01-18 12:44

[图像] 奇异值分解与隐性语义分析

进行SVD分解的方法：    首先要知道矩阵的秩，也就是最大线性不相关的行（列）向量的个数，比如对于以下两个矩阵       矩阵1      矩阵2    第一个矩阵两行（列）是线性相关的，所以秩为1
ZJU_fish1996·2016-01-18 12:00

《机器学习实战》笔记——基于SVD的图像压缩

原始图像大小为32X32=1024像素，利用SVD来对数据降维，实现图像的压缩新建一个svdRec.py文件，加入如下代码：#printMat()函数用于打印矩阵 defprintMat(inMat,thresh
geekmanong·2016-01-11 17:00

《机器学习实战》笔记——利用SVD简化数据

SVD(SingularValueDecomposition)奇异值分解，可以用来简化数据，去除噪声，提高算法的结果。
geekmanong·2016-01-11 11:00

机器学习实战笔记——利用SVD简化数据

SVD(SingularValueDecomposition)奇异值分解，可以用来简化数据，去除噪声，提高算法的结果。
zhihua_bupt·2016-01-11 00:00

数学的记号（notation）（一）

下标的理解我们来看大名鼎鼎的K-SVD算法：已知维度关系：Yn×N=Dn×KXK×N，则ωk={i|1≤i≤N,xkT(i)≠0}，表示的是遍历全部样本{yi}Ni=1对应的在D下的稀疏表示{xi}Ni
lanchunhui·2016-01-07 13:00

Programming Computer Vision with Python （学习笔记四）

但还遗留了以下几个问题：在计算协方差和特征向量的方法上，书上使用的是一种被作者称为compacttrick的技巧，以及奇异值分解（SVD），这些都是什么东西呢？如何把PCA运用在多张图片上？
qq_26898461·2016-01-02 10:00

SVD分解

原文：Werecommendasingularvaluedecomposition关于线性变换部分的一些知识可以猛戳这里奇异值分解(SVD)—线性变换几何意义一、奇异值分解(Thesingularvaluedecomposition
zhangzhengyi03539·2015-12-31 11:00

奇异值分解SVD的理解与应用

本文内容是基于作者当前对奇异值分解svd的了解，不够全面，有不妥的地方还望各位读者指出。作者也会在进一步了解svd的过程中，不断更新本文。
ab_use·2015-12-30 11:00

数据挖掘-基于Kmeans算法、MBSAS算法及DBSCAN算法的newsgroup18828文本聚类器的JAVA实现(下)

关于本项目下载及运行的常见问题FAQ见 newsgroup18828文本分类器、文本聚类器、关联分析频繁模式挖掘算法的Java实现工程下载及运行FAQ )本文要点如下：介绍基于LSI(隐性语义索引)中SVD
qq_26562641·2015-12-26 16:00

数据挖掘-基于Kmeans算法、MBSAS算法及DBSCAN算法的newsgroup18828文本聚类器的JAVA实现(上)

关于本项目下载及运行的常见问题FAQ见 newsgroup18828文本分类器、文本聚类器、关联分析频繁模式挖掘算法的Java实现工程下载及运行FAQ )本文要点如下：对newsgroup文档集进行预处理，按照DF法及SVD
qq_26562641·2015-12-26 16:00

矩阵奇异值分解(SVD)及其应用

一、奇异值与特征值基础知识特征值分解和奇异值分解在机器学习领域都是属于满地可见的方法。两者有着很紧密的关系，我在接下来会谈到，特征值分解和奇异值分解的目的都是一样，就是提取出一个矩阵最重要的特征。先谈谈特征值分解吧：1）特征值：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
dongchao_pro·2015-12-23 22:00

机器学习之——强大的矩阵奇异值分解(SVD)及其应用

http://www.cnblogs.com/LeftNotEasy/archive/2011/01/19/svd-and-applications.html 本文由LeftNotEasy发布于http
kavy·2015-12-18 16:00

奇异值分解(SVD)

   最近不小心接触到了SVD，然后认真看下去之后发现这东西真的挺强大的，把一个推荐问题转化为纯数学矩阵问题，看了一些博客，把一个写个比较具体的博文引入进来，给自己看的，所以把觉得没必要的就去掉了，博文下面附原始博客地址
·2015-12-09 11:39

recsyscode - implementations of classic algorithms of recommender system - Google Project Hosting

recsyscode-implementationsofclassicalgorithmsofrecommendersystem-GoogleProjectHosting重要更新:svd++和combine
·2015-12-09 10:43

矩阵的奇异值分解

定义如下：Inlinearalgebra,thesingularvaluedecomposition(SVD)isafactorizationofarealorcomplexmatrix.Ithasmanyusefulapplicationsinsignalprocessingandstatistics.Formally
dongchao_pro·2015-12-06 14:00

K-SVD算法

（2）第二阶段：也是K-SVD与MOD的不同之处，字典D是逐列更新的
qq_18343569·2015-12-05 21:00

SVD在推荐系统中的应用

参考自：http://www.igvita.com/2007/01/15/svd-recommendation-system-in-ruby/其实说参考也不准确，准确地说应该是半翻译半学习笔记。
LTG01·2015-11-27 20:00

主成分分析（Principal components analysis）-最大方差解释

在写这篇之前，我阅读了PCA、SVD和LDA。这几个模型相近，却都有自己的特点。本篇打算先介绍PCA，至于他们之间的关系，只能是边学边体会了。
GarfieldEr007·2015-11-27 11:00

K-SVD学习笔记

K-SVD是一个用于稀疏表示的字典学习算法，是一个迭代算法，是K-Means算法的泛化。
JDPlus·2015-11-26 15:00

SVD分解及其应用

SVD起源对角化概述SVDSVD应用图像压缩2数据去噪LSA推荐系统注意参考资料SVD可谓线性代数的登峰造极者。
Young_Gy·2015-11-26 15:09
上一页 34 35 36 37 38 39 40 41 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他