svd

Latent Semantic Analysis(LSA)

对于一个term-document加权词频矩阵(如TF-IDF),如果他的规模m*n非常大，那么这些文本的存储还有计算聚类都会有不小的麻烦，LSA采用SVD分解将高维文本映射到低维的隐含语义空间，较好的解决了这个问题
u012303532·2014-12-12 10:00

SVD and PCA

MIT线性代数课程中讲过的矩阵分解有很多种，但是据我所知最重要的应该是SVD分解了，假如现在想把矩阵A行空间的正交基通过A左乘的方法变换到A列空间的正交基，有：将上式左右两边都乘以V的转置，就可以得到矩阵奇异值分解的公式
u012303532·2014-12-09 10:00

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
liujianli123·2014-11-29 13:00

矩阵奇异值简要介绍

奇异值分解是一个非常，非常，非常大的话题，它的英文是SingularValueDecomposition，一般简称为SVD。
shenxiaoming77·2014-11-26 10:00

unsupervised learning 自己的一点认识

关于unsupervisedlearning，我最开始是从PCA开始的，继而ICA，SVD，到Sparsecoding，再到auto-encoder，一直
carrierlxksuper·2014-11-25 16:00

机器学习之旅---奇异值分解

2.怎么用C语言代码实现SVD分解？
jinshengtao·2014-11-22 22:00

R语言主成分分析之SVD

#全数据集PCA all_col_mean=colMeans(data.learn.x)#计算训练集每一列的均值 data.learn.PCAx=data.learn.x cols=ncol(data.learn.x)#获取列数 all_col_sd=apply(data.learn.x,2,sd) for(jin1:cols){ data.learn.PCAx[,j]=data.learn.x[
qunxingvip·2014-11-18 19:00

强大的矩阵奇异值分解(SVD)及其应用

转载自：http://blog.csdn.net/stdcoutzyx/article/details/8495948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
u013524655·2014-11-16 11:00

我们推荐奇异值分解(SVD)

WeRecommendaSingularValueDecomposition我们推荐奇异值分解奇异值分解可以方便地把一个矩阵（包含我们感兴趣的数据）分解得更加简单和有意义。本文讲解了奇异值分解的几何解释，顺便也介绍了一些应用。Fromhttp://www.ams.org/samplings/feature-column/fcarc-svdDavidAustin，GrandValleyStateUn
zzminer·2014-11-13 16:00

隐性语义索引(LSI)

2.SVD分解文档集可以转换成词项-
wenyusuran·2014-11-05 09:00

【机器学习】主题模型（二）：pLSA和LDA

-----pLSA概率潜在语义分析、LDA潜在狄瑞雷克模型一、pLSA（概率潜在语义分析）pLSA:-------有过拟合问题，就是求D,Z,WpLSA由LSA发展过来，而早期LSA的实现主要是通过SVD
DianaCody·2014-11-04 14:21

【机器学习】主题模型（二）：pLSA和LDA

-----pLSA概率潜在语义分析、LDA潜在狄瑞雷克模型一、pLSA（概率潜在语义分析）pLSA:-------有过拟合问题，就是求D,Z,WpLSA由LSA发展过来，而早期LSA的实现主要是通过SVD
DianaCody·2014-11-04 14:21

【机器学习】主题模型（二）：pLSA和LDA

---pLSA概率潜在语义分析、LDA潜在狄瑞雷克模型一、pLSA（概率潜在语义分析）pLSA:   -------有过拟合问题，就是求D,Z,WpLSA由LSA发展过来，而早期LSA的实现主要是通过SVD
DianaCody·2014-11-04 14:00

A Singular Value Decomposition Approach For Recommendation Systems (4)

ASingularValueDecompositionApproachForRecommendationSystems说明：这是一篇来自土耳其中东技术大学的2010年的硕士论文，主要讲述了在推荐系统中应用SVD
yuzhongchun·2014-11-04 09:00

【机器学习】推荐系统、SVD分解降维

推荐系统：1.基于内容的实现：KNN等2.基于协同滤波(CF)实现：SVD→pLSA(从LSA发展而来,由SVD实现)、LDA、GDBTSVD算是比较老的方法，后期演进的主题模型主要是pLSA和LDA。
DianaCody·2014-11-04 09:59

【机器学习】推荐系统、SVD分解降维

推荐系统：1.基于内容的实现：KNN等2.基于协同滤波(CF)实现：SVD→pLSA(从LSA发展而来,由SVD实现)、LDA、GDBTSVD算是比较老的方法，后期演进的主题模型主要是pLSA和LDA。
DianaCody·2014-11-04 09:59

【机器学习】推荐系统、SVD分解降维

推荐系统：1.基于内容的实现：KNN等2.基于协同滤波(CF)实现：SVD→pLSA(从LSA发展而来,由SVD实现)、LDA、GDBT    SVD算是比较老的方法，后期演进的主题模型主要是pLSA和
DianaCody·2014-11-04 09:00

强大的矩阵奇异值分解(SVD)及其应用

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。特征值和奇异值在大部分人的印象中，往
数据挖掘工人·2014-11-03 15:28

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

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）     本文采用的评测标准是RMSE，数值越小算法越好，
wenyusuran·2014-10-31 10:00

A Singular Value Decomposition Approach For Recommendation Systems (3)

ASingularValueDecompositionApproachForRecommendationSystems说明：这是一篇来自土耳其中东技术大学的2010年的硕士论文，主要讲述了在推荐系统中应用SVD
yuzhongchun·2014-10-27 19:00

A Singular Value Decomposition Approach For Recommendation Systems (2)

ASingularValueDecompositionApproachForRecommendationSystems说明：这是一篇来自土耳其中东技术大学的2010年的硕士论文，主要讲述了在推荐系统中应用SVD
yuzhongchun·2014-10-26 17:00

A Singular Value Decomposition Approach For Recommendation Systems (1)

ASingularValueDecompositionApproachForRecommendationSystems说明：这是一篇来自土耳其中东技术大学的2010年的硕士论文，主要讲述了在推荐系统中应用SVD
yuzhongchun·2014-10-24 21:00

超定方程 最小二乘解 奇异值分解（SVD）

1.奇异值分解SVD任意矩阵A (mxn)(这里仅考虑实数矩阵的情况),都能被奇异值分解为:其中, U是mxm的正交矩阵, V是nxn的正交矩阵, Σr是由r个沿对角线从大到小排列的奇异值(非负)组成的方阵
adventure2008·2014-10-24 15:00

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
computerme·2014-10-21 14:00

数据降维--SVD&CUR

矩阵的秩秩即维度SVD使用SVD降维SVD示例WehaveusedthreecolumnsforU,Σ,andV,thecolumnsofUandVcorrespondtoconcepts.Thefirstis
GeekStuff·2014-10-19 18:40

算法系列-----矩阵（九）-------------矩阵SVD---奇异值分解

这个概念如果不懂，我觉得去维基百科看看最好，地址：http://zh.wikipedia.org/wiki/奇异值分解我这里也是引用别人的测试，调用了别人的包，给大家看看/************************************************************************* *Compilation:javac-classpath.:jama.jarSV
u014737138·2014-10-11 13:00

K-SVD算法

K-SVD算法的基本思想：Y为训练样本，D为字典，X为稀疏系数。
hjxzb·2014-09-20 18:00

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。
seagullyoyo·2014-09-16 19:00

chapter14 机器学习之利用SVD简化数据

餐馆可划分为很多类别，比如美式、中式、日式、牛排馆、素食店，等等。你是否想过这些类别够用吗?或许人们喜欢这些的混合类别，或者类似中式素食店那样的子类别。如何才能知道到底有多少类餐馆呢?我们也许可以问问专家?但是倘若某个专家说应该按照调料分类，而另一个专家则认为应该按照配料分类，那该怎么办呢?忘了专家，我们还是从数据着手吧。我们可以对记录用户关于餐馆观点的数据进行处理，并且从中提取出其背后的因素。 
wenyusuran·2014-09-16 17:00

几种线性参数估计方法之比较

四种参数估计算法的简单描述：   LS既是最小方差，以此作为目标函数求解参数估计值的方法称为最小方差估计，SVD分解是目前解决这一问题的最有效
u014260892·2014-09-11 17:00

K-SVD

参考网址：http://en.wikipedia.org/wiki/K-SVD   K-SVD 是一种关于稀疏表示的字典学习算法。
breeze5428·2014-09-06 11:00

mahout 常见机器学习算法及分类

容易实现分布式计算SlopeOne算法@Deprecatedatmahout0.8KNNLinearinterpolationitem–based推荐算法最近邻算法@Deprecatedatmahout0.8SVD
wfh45678·2014-09-03 14:25

Spark上矩阵运算库(七)--LU矩阵分解实现和Spark 1.1的SVD剖析

实现的思路上参照了尚未正式release的Spark1.1中分布式SVD奇异值分解的内容，所以先来介绍Spark1.1中分布式SVDSpark1.0.x版本的SVD分解目前已经release的1.0.x
u014252240·2014-08-31 23:00

SVD分词分类的思考

潜在语义索引（LatentSemanticIndexing）是一个严重依赖于SVD的算法，本文转载自之前吴军老师《数学之美》和参考文献《机器学习中的数学》汇总。
pizibing880909·2014-08-30 21:00

机器学习中的数学(5)-强大的矩阵奇异值分解(SVD)及其应用

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
macyang·2014-08-22 13:00

hsc for object detection

我们通过使用K-SVD从数据集中学习稀疏编码字典，并集合每一个像素的稀疏编码来形成直方图。我们有意的保持滑动窗口的框架，只是改变了里面的特征。
baobei0112·2014-08-21 14:00

小白鼠试药问题。

url=q_w2eqyptqobnl0gPRzeE9Q9ScoJyJJWi7XLwPRIApWR3fCQu_svD1naluRGKK1EZo0f6vJ8V
u010787773·2014-08-10 17:00

奇异值分解

       奇异值分解（SVD,singularvaluedecomposition）是对矩阵最好的分解形式（前面介绍过矩阵的LU分解，对角化分解），它将某个矩阵A分解为正交矩阵（orthogonalmatrix
xdfyoga1·2014-08-06 21:00

SVD(奇异值分解)及求解最小二乘问题

1.SVD任意矩阵A(mxn),都能被奇异值分解为:其中,U是mxm的正交矩阵,V是nxn的正交矩阵,Σr是由r个沿对角线从大到小排列的奇异值组成的方阵.r就是矩阵A的秩.2.Moore-Pseudo逆任意矩阵
hongqiang200·2014-07-31 21:54

SVD(奇异值分解)及求解最小二乘问题

1.SVD任意矩阵A(mxn),都能被奇异值分解为:其中,U是mxm的正交矩阵,V是nxn的正交矩阵,Σr是由r个沿对角线从大到小排列的奇异值组成的方阵.r就是矩阵A的秩.2.Moore-Pseudo逆任意矩阵
hongqiang200·2014-07-31 21:00

主成份(PCA)与奇异值分解(SVD)的通俗解释

主成分分析1.问题描述  在许多领域的研究与应用中，往往需要对反映事物的多个变量进行大量的观测，收集大量数据以便进行分析寻找规律。多变量大样本无疑会为研究和应用提供了丰富的信息，但也在一定程度上增加了数据采集的工作量，更重要的是在大多数情况下，许多变量之间可能存在相关性，从而增加了问题分析的复杂性，同时对分析带来不便。如果分别对每个指标进行分析，分析往往是孤立的，而不是综合的。盲目减少指标会损失很
hongqiang200·2014-07-31 16:00

svd

WeRecommendaSingularValueDecompositionInthisarticle,wewillofferageometricexplanationofsingularvaluedecompositionsandlookatsomeoftheapplicationsofthem....DavidAustinGrandValleyStateUniversity davidatme
hongqiang200·2014-07-31 15:00

从几何角度看SVD

原文标题：WeRecommendaSingularValueDecomposition原文链接：http://www.ams.org/samplings/feature-column/fcarc-svd
dinosoft·2014-07-26 21:04

从几何角度看SVD

原文标题：WeRecommendaSingularValueDecomposition原文链接：http://www.ams.org/samplings/feature-column/fcarc-svd
Dinosoft·2014-07-26 21:00

协同过滤技术

协同过滤技术有SVD分解针对稀疏矩阵的求解可以考虑低秩矩阵逼近技术，即low-rankmatrixappromination paper:LocalCollaborativeRanking
haimengao·2014-07-26 09:00

斯坦福ML公开课笔记15—隐含语义索引、奇异值分解、独立成分分析

本文继续PCA的话题，包括PCA的一个应用——LSI(LatentSemanticIndexing,隐含语义索引)和PCA的一个实现——SVD(SingularValueDecomposition,奇异值分解
xinzhangyanxiang·2014-07-22 11:00

减小dnn模型大小的方法

在DNN训练中，dnn模型参数较多，模型复杂，size较大，训练时间较长，下面介绍两种减小modelsize的方法：一、nodeprune笔记见图二、通过SVD分解，降低数据维数，从而达到降低计算量，降低模型的
jiaobei2354717·2014-07-15 19:27

Mahout in Action 读书笔记chapter4 进行推荐

3.在Mahout中实现其他推荐算法，slope-one，基于SVD和基于聚类的算法。
feitongxunke·2014-07-11 22:00

协同过滤推荐系统（Collaborative Filtering recommendation）及SVD的应用

作者：金良（[email protected]）csdn博客：http://blog.csdn.net/u012176591下图的矩阵是由餐馆的菜品和不同用户对这些菜品的意见构成，用户可以采用1到5之间的任意整数对菜品进行评级，如果用户没有尝过这道菜，则评级为0。我们的推荐系统的功能是：对于某个用户，从他未尝过的菜品里推荐几道他可能最喜欢（评分最高）的菜品。推荐的机制：当系统对某个用户
u012176591·2014-06-30 11:00

奇异值分解（SVD）意义及具体实现

作者：金良（[email protected]）csdn博客：http://blog.csdn.net/u0121765911、SVD优缺点优点：不需要像余弦距离方法一样一次次地迭代，所以速度较快
u012176591·2014-06-29 17:00
上一页 38 39 40 41 42 43 44 45 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他