SVD

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。
seamanj·2014-01-18 10:00

从几何解释SVD分解

介绍SVD分解(奇异值分解)，实际上，SVD分解不但很直观，而且极其有用。SVD分解提供了一种方法将一个矩阵拆分成简单的，并且有意义的几块。
utimes·2014-01-14 19:00

奇异值分解SVD，矩阵范数，函数矩阵

/blog.sina.com.cn/s/blog_9206acb20101chc9.htmlhttp://www.cnblogs.com/LeftNotEasy/archive/2011/01/19/svd-and-applications.htmlhttp
alec1987·2014-01-13 15:00

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
alec1987·2014-01-13 15:00

【计算机视觉】角度转换模型VTM

角度转换模型（ViewTransformationModel）最基础的是利用奇异值分解（SingularValueDecomposition,SVD），将特征矩阵分解为与角度无关的向量，与对象无关的向量
xiaowei_cqu·2014-01-11 10:00

SVD奇异值分解

SVD分解SVD分解是LSA的数学基础，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。
_djsecret·2014-01-09 15:24

SVD奇异值分解

SVD分解SVD分解是LSA的数学基础，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。
zhdjbabygo·2014-01-09 15:00

从SVD到LSA&PLSA

【Latentsemanticanalysis】LSA最初是用在语义检索上，为了解决一词多义和一义多词的问题：1.一词多义：美女和PPMM表示相同的含义，但是单纯依靠检索词“美女”来检索文档，很可能丧失掉那些包含“PPMM”的文档。2.一义多词：如果输入检索词是多个检索词组成的一个小document，例如“清澈孩子”，那我们就知道这段文字主要想表达concept是和道德相关的，不应该将“春天到了，
keith0812·2014-01-08 12:00

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。
redline2005·2014-01-06 17:00

K-SVD matlab

function[Dictionary,output]=KSVD(...Data,...%annXNmatrixthatcontinsNsignals(Y),eachofdimensionn.param)%=========================================================================%K-SVDalgorithm%========
Json_Nie·2014-01-05 22:51

主成分分析中特征值分解与SVD（奇异值分解）的比较及其相关R语言的实现

>pcapca   x1 x2x3x41  402.0 5202  101.5 5303 1203.013504 2504.518 05 1203.5 9506  101.512507  401.019408 2704.013609 2803.51160101703.0 960111803.51440121302.03050132201.51720141601.53560152202.514301
pbyang·2014-01-04 10:00

奇异值分解的R命令

例题来自http://www.ams.org/samplings/feature-column/fcarc-svd，R命令如下： > M=matrix(nrow=25,ncol=15) > i=c(1:
pbyang·2014-01-03 21:00

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
xiahouzuoxin·2014-01-02 11:00

浅谈矩阵分解以及应用

:38230人阅读评论(2)收藏举报矩阵分解应用矩阵分解(matrixdecomposition,factorization)是将矩阵拆解为数个矩阵的乘积，可分为三角分解、满秩分解、Jordan分解和SVD
bpssy·2013-12-25 12:49

推荐系统——找出内容近似的文章

BB%E7%BB%9F本文参照上文，使用java实现对newsgroup18828内容进行推荐（基于内容的推荐）找出内容近似的文章，使用的特征为词的tfidf算法的思想是：对语料库的tfidf矩阵进行SVD
woshizhouxiang·2013-12-25 11:00

We Recommend a Singular Value Decomposition

原文地址：http://www.ams.org/samplings/feature-column/fcarc-svd        这是一篇直观讲解矩阵奇异值分解（SVD）原理的文章，大牛总是能把复杂的东西讲解得简单明了
tonghu2010·2013-12-21 15:00

从item-base到svd再到rbm，多种Collaborative Filtering(协同过滤算法)从原理到实现

〇.说明本文的所有代码均可在DML找到，欢迎点星星。一.引入推荐系统（主要是CF）是我在参加百度的电影推荐算法比赛的时候才临时学的，虽然没拿什么奖，但是知识却是到手了，一直想写一篇关于推荐系统的文章总结下，这次借着完善DML写一下，权当是总结了。不过真正的推荐系统当然不会这么简单，往往是很多算法交错在一起，本文只是入门水平的总结罢了。（本文所用测试数据是movielens100k）本文采用的评测标
Dark_Scope·2013-12-14 19:06

从item-base到svd再到rbm，多种Collaborative Filtering(协同过滤算法)从原理到实现

〇.说明本文的所有代码均可在DML找到，欢迎点星星。一.引入推荐系统（主要是CF）是我在参加百度的电影推荐算法比赛的时候才临时学的，虽然没拿什么奖，但是知识却是到手了，一直想写一篇关于推荐系统的文章总结下，这次借着完善DML写一下，权当是总结了。不过真正的推荐系统当然不会这么简单，往往是很多算法交错在一起，本文只是入门水平的总结罢了。（本文所用测试数据是movielens100k）本文采用的评测标
Dark_Scope·2013-12-14 19:06

从item-base到svd再到rbm，多种Collaborative Filtering(协同过滤算法)从原理到实现

〇.说明     本文的所有代码均可在 DML 找到，欢迎点星星。一.引入     推荐系统（主要是CF）是我在参加百度的电影推荐算法比赛的时候才临时学的，虽然没拿什么奖，但是知识却是到手了，一直想写一篇关于推荐系统的文章总结下，这次借着完善DML写一下，权当是总结了。不过真正的推荐系统当然不会这么简单，往往是很多算法交错在一起，本文只是入门水平的总结罢了。（本文所用测试数据是movielens1
Dark_Scope·2013-12-14 19:00

机器学习中的数学(5)-强大的矩阵奇异值分解(SVD)及其应用

来源：http://www.cnblogs.com/LeftNotEasy/archive/2011/01/19/svd-and-applications.html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
julyfire·2013-12-05 17:22

opencv2.4中SVD分解的几种调用方法

blog.sina.com.cn/s/blog_6109b5d00101ag7a.html       在摄影测量和计算机视觉中，考虑最优解问题时，经常要用到SVD
·2013-12-02 21:00

关于SVD的物理意义

转自：http://www.ams.org/samplings/feature-column/fcarc-svd （部分修改）WeRecommendaSingularValueDecompositionInthisarticle
memory513773348·2013-11-26 16:00

博客、博文推荐

http://www.cnblogs.com/LeftNotEasy/   机器学习中的数学-强大的矩阵奇异值分解(SVD)及其应用 评：通俗易懂介绍了SVD的原理与作用，可能因为我本科是统计学专业
·2013-11-26 16:00

SVD 笔记

SVD(SingularValueDecomposition,奇异值分解)是从噪声数据中提取相关特征的强大工具;与PCA类似,SVD同样也是降维的有效手段,区别在于PCA是通过特征值进行降维,SVD通过奇异值进行降维
sailtseng·2013-11-25 21:00

K-SVD Algorithm

1.算法简介K-SVD可以看做K-means的一种泛化形式，K-means算法总每个信号量只能用一个原子来近似表示，而K-SVD中每个信号是用多个原子的线性组合来表示的。
Vincent乐·2013-11-22 17:15

K-SVD Algorithm

1.算法简介K-SVD可以看做K-means的一种泛化形式，K-means算法总每个信号量只能用一个原子来近似表示，而K-SVD中每个信号是用多个原子的线性组合来表示的。
chlele0105·2013-11-22 17:00

推荐系统中矩阵分解方法：svd，非对称svd和svd++的区别

SomeSVD-inspiredmethodsusedintheNetflixPrizeinclude:StandardSVD:Onceyou'verepresentedusersandmoviesasfactorvectors,youcandotproductAlice'svectorwithInception'svectortogetAlice'spredictedratingofIncept
overstack·2013-11-18 23:00

SVD在推荐系统中的应用

其实说参考也不准确，准确地说应该是半翻译半学习笔记。仔细整理一遍，感觉还是收获很大的。线性代数相关知识：任意一个M*N的矩阵A（M行*N列，M>N），可以被写成三个矩阵的乘机：1.U：（M行M列的列正交矩阵）2.S：（M*N的对角线矩阵，矩阵元素非负）3.V：（N*N的正交矩阵的倒置）即A=U*S*V‘（注意矩阵V需要倒置）直观地说：假设我们有一个矩阵，该矩阵每一列代表一个user，每一行代表一个
yueyedeai·2013-11-13 09:00

svd++

SVD++referstoamatrixfactorizationmodelwhichmakesuseofimplicitfeedbackinformation.Ingeneral,implicitfeedbackcanrefertoanykindsofusers'historyinformationthatcanhelpindicateusers'preference.Contents
yueyedeai·2013-11-13 09:00

SVD

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
yueyedeai·2013-11-10 22:00

线性代数导论30——奇异值分解

课程地址：http://v.163.com/special/opencourse/daishu.html  第三十课时：奇异值分解本讲讲奇异值分解SVD=SingularValueDecomposition
suqier1314520·2013-11-06 22:00

SVD和PCA

简介本文主要介绍SVD和PCA相关知识和使用Matlab分析。
iChying·2013-11-02 01:00

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
zhoubl668·2013-11-01 11:00

Mahout源码分析之DistributedLanczosSolver（7）--总结篇

看svd算法官网上面使用的是亚马逊的云平台计算的，不过给出了svd算法的调用方式，当算出了eigenVectors后，应该怎么做呢？
fansy1990·2013-10-31 01:00

Mahout源码分析之DistributedLanczosSolver（2）--Job1

在上篇blog中的最后终端的信息可以看到，svd算法一共有5个Job任务。
fansy1990·2013-10-29 00:00

Mahout源码分析之DistributedLanczosSolver（1）--实战

本篇开始系列svd，即降维。
fansy1990·2013-10-28 00:00

SVD分解在文本分类中的应用

在自然语言处理中，最常见的两个问题分别是，将文本按主题归类和将词汇按意思归类。这两个问题都可以通过矩阵运算来圆满地，一次次能够解决。首先来看一看余弦定理和新闻分类这个问题新闻分类其实就是一个聚类问题，关键是计算两篇新闻的相似程度。问了完成这个任务，我们可以将新闻表示成代表它们内容的实词序列，即向量，然后求两个向量的夹角。夹角越小，表示两篇新闻越相关；当它们垂直正交时，表示两篇新闻无关。从理论上来讲
Vincent乐·2013-10-24 00:15

SVD分解在文本分类中的应用

  在自然语言处理中，最常见的两个问题分别是，将文本按主题归类和将词汇按意思归类。这两个问题都可以通过矩阵运算来圆满地，一次次能够解决。首先来看一看余弦定理和新闻分类这个问题  新闻分类其实就是一个聚类问题，关键是计算两篇新闻的相似程度。问了完成这个任务，我们可以将新闻表示成代表它们内容的实词序列，即向量，然后求两个向量的夹角。夹角越小，表示两篇新闻越相关；当它们垂直正交时，表示两篇新闻无关。从理
chlele0105·2013-10-24 00:00

关于论文的些许想法

提取文本特征的方法：VSM，VSM经过SVD改进之后的LSI，LDA计算文本相似度的方法：余弦相似度法最长公共子段最长公共子序列进行分类的方法：决策树随机森林，梯度增强树weka自带的那些方法进行聚类的方法
·2013-10-23 22:00

SVD分解的理解

转载：http://www.bfcat.com/index.php/2012/03/svd-tutorial/SVD分解（奇异值分解），本应是本科生就掌握的方法，然而却经常被忽视。
litoupu·2013-10-22 21:00

K-均值和K-SVD算法—最简单最透彻的讲解,不要看其他资料了

K-SVD算法-广义K-均值算法（放宽了坐标矩阵X（每一列
qq1028850792·2013-10-21 14:27

Eigen: C++矩阵处理工具——Eigen

首先推荐几个可以在C++中调用的数学平台：eigen、bias、lapack、svd、CMatrix，本文着重eigen做以讲解，希望对各位有所帮助。
Augusdi·2013-10-21 10:00

Matlab中矩阵的分解

1、常见的分解方法（1）三角分解（LU分解）（2）正交分解（QR）（3）特征值分解（eig分解）（4）奇异值分解（svd）（5）Chollesky分解2、三角分解（LU分解）>>A=[1234;5678
you23hai45·2013-10-20 17:00

数据挖掘 基础算法

1SVD矩阵分解算法。2SVD++算法。3PageRank算法。4.HMM模型：1）马尔可夫模型：马尔科夫过程指当前状态只与前n个状态有关。这个被称作n阶马尔可夫模型。
china1000·2013-10-18 17:43

《推荐系统实践》阅读笔记三 LFM模型、图模型、slop one和SVD算法

2.5隐语义模型LFM（latentfactormodel）。表示一类模型，有很多经典的模型，如：LSI、pLSA、LDA和topicmodel等。LFM优势：面对商品分类的时候，人工编辑给出的类别有很多缺点，如不好解决一物多类问题、不好设定物品与类别的权重、主观性因素太强等等。LFM由于其模型本身，能够有效地避免上述问题。我们可以对书和用户兴趣进行分类，对于某个用户，可以首先得到他的兴趣分类，然
china1000·2013-10-17 00:16

矩阵奇异值分解SVD，线性判别LDA，主元分析PCA

一特征值分解：     对于方阵A进行特征值分解有：      其中是A矩阵的特征向量且中各向量为正交向量，是A的特征值    进一步可表示分解形式为：，由Q为特征向量形成矩阵，是一个对角线上为特征值的对角矩阵。   二、奇异值分解    对于非方阵A进行奇异值分解时，需要先求方阵之后再进行分解：     与特征值分解对应起来，求解得 的特征值与特征矩阵。   ， 这里的σ就是上面说的奇异值，u就
waycaiqi·2013-10-11 15:00

一个极其简洁的PCA白化

在这里详细解释下：传统的PCA是这么来做的，用这个上面的符号：应该是那回过头来解释下最上面那个，由于是对X'求的svd那么结果应该是：由于所以，如果继续白化的话那么就是除以S那么结果就是直接。。证毕。
silence1214·2013-10-09 10:00

工程矩阵-SVD分解

1.特征值与特征向量特征值满足的性质：【注】主对角上元素的和称为矩阵的迹，即a11+a22..ann。2.特征向量的性质   定理1：互不相等的特征值所对应的特征向量线性无关。【注】在线性代数里，矢量空间的一组元素中，若没有矢量可用有限个其他矢量的线性组合所表示，则称为线性无关或线性独立(linearlyindependent)，反之称为线性相关(linearlydependent)。例如在三维欧
u010064842·2013-10-06 23:00

奇异值分解SVD应用—LSI/LSA

blog.csdn.net/abcjennifer/article/details/8131087（有看不懂的地方，原文评论有点解答）潜在语义索引（LatentSemanticIndexing）是一个严重依赖于SVD
u010064842·2013-10-06 23:00

Matlab中求解矩阵的奇异值

Matlab中求解矩阵的奇异值1、Matlab中求解矩阵的奇异值用svd函数和svds函数2、实例>>A=[1,2,3;4,5,6;7,8,9] A= 123 456 789 >
you23hai45·2013-10-06 22:00
上一页 40 41 42 43 44 45 46 47 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他