在看论文的过程中，经常遇到涉及到特征值、特征向量、奇异值、右奇异向量等相关知识的地方，每次都是看得似懂非懂。本文将从特征值和奇异值相关的基础知识入手，探究奇异值和特征值的内涵，进而对特征值和奇异的知识进行梳理。 特征值分解和奇异值分解（SVD）在主成分分析（PCA）和机器学习领域都有广泛的应用。PC ...
分类：
其他好文 时间：
2016-03-26 18:33:50
阅读次数：
375
本文转载自他人： 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。原文举了一个简单的图像处理问题，简单形象，真心希望路过的各路朋友能从不同的角度阐述下自己对SVD实际意义的理解，比如 个性化推
分类：
其他好文 时间：
2016-03-19 16:01:44
阅读次数：
175
2）奇异值： 下面谈谈奇异值分解。特征值分解是一个提取矩阵特征很不错的方法，但是它只是对方阵而言的，在现实的世界中，我们看到的大部分矩阵都不是方阵，比如说有N个学生，每个学生有M科成绩，这样形成的一个N * M的矩阵就不可能是方阵，我们怎样才能描述这样普通的矩阵呢的重要特征呢？奇异值分解可以用来干这
分类：
其他好文 时间：
2016-03-19 06:17:23
阅读次数：
196
>> s = rand(5,7) s = 0.4186 0.8381 0.5028 0.1934 0.6979 0.4966 0.6602 0.8462 0.0196 0.7095 0.6822 0.3784 0.8998 0.3420 0.5252 0.6813 0.4289 0.3028 0.8
分类：
其他好文 时间：
2016-03-19 00:55:27
阅读次数：
174
特征值分解
奇异值分解SVD
Python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SVD的图像压缩–阈值处理
基于SVD的图像压缩...
分类：
其他好文 时间：
2016-03-10 17:29:55
阅读次数：
247
在数据挖掘过程中，高维数据是非常棘手的研究对象。特别是在文本挖掘、图像处理和基因数据分析中，维度过高使很多学习器无法工作或效率降低，所以降维也是数据预处理过程的一项必要任务。降维大致有两大类别，一类是从原始维度中提取新的维度，例如主成分分析或因子分析，再或者是奇异值分解或是多维标度分析。另一类是从原
分类：
其他好文 时间：
2016-03-09 23:55:11
阅读次数：
242
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。两者有着很紧密的关系，我在接下来会谈到，特征值分解
分类：
其他好文 时间：
2016-03-08 19:30:03
阅读次数：
281
本文先从几何意义上对奇异值分解SVD进行简单介绍，然后分析了特征值分解与奇异值分解的区别与联系，最后用python实现将SVD应用于推荐系统。 1.SVD详解 SVD(singular value decomposition)，翻译成中文就是奇异值分解。SVD的用处有很多，比如：LSA（隐性语义分析
分类：
其他好文 时间：
2016-03-04 22:27:46
阅读次数：
2422
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，特别是关于矩阵和映射之间的对应关系。前段时间看了国外的一篇文章，叫A Singularly Va...
分类：
其他好文 时间：
2016-01-23 23:00:52
阅读次数：
435
SVD(Singular Value Decomposition)奇异值分解，可以用来简化数据，去除噪声，提高算法的结果。
一、SVD与推荐系统
下图由餐馆的菜和品菜师对这些菜的意见组成，品菜师可以采用1到5之间的任意一个整数来对菜评级，如果品菜师没有尝过某道菜，则评级为0
建立一个新文件svdRec.py并加入如下代码：
def loadExData():
return[...
分类：
其他好文 时间：
2016-01-11 12:14:50
阅读次数：
1033
