声明：转自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 ...
分类：
其他好文 时间：
2017-03-26 18:24:25
阅读次数：
412
在知乎上看到这个讲解，感觉很深刻。 首先，讲到矩阵的秩，几乎必然要引入矩阵的SVD分解：X=USV'，U,V正交阵，S是对角阵。如果是完全SVD分解的话，那S对角线上非零元的个数就是这个矩阵的秩了（这些对角线元素叫做奇异值），还有些零元，这些零元对秩没有贡献。 有了这个前提，我们就可以用各种姿势来看 ...
分类：
其他好文 时间：
2017-03-24 14:06:08
阅读次数：
150
安装JUnit,Hamcrest和Eclemma, 然后利用JUnit进行简单的测试项目:判断三角形的类型。 ...
分类：
其他好文 时间：
2017-03-12 23:04:05
阅读次数：
211
一、SVD奇异值分解的定义 假设是一个的矩阵，如果存在一个分解： 其中为的酉矩阵，为的半正定对角矩阵，为的共轭转置矩阵，且为的酉矩阵。这样的分解称为的奇异值分解，对角线上的元素称为奇异值，称为左奇异矩阵，称为右奇异矩阵。 二、SVD奇异值分解与特征值分解的关系 特征值分解与SVD奇异值分解的目的都是 ...
分类：
其他好文 时间：
2017-03-01 22:56:27
阅读次数：
271
矩阵分解有两种一种是特征值分解，但是其针对方阵，所以提出了奇异值分解。 分解过程为: U的列组成一套对A的正交"输入"或"分析"的基向量。这些向量是的特征向量。 V的列组成一套对A的正交"输出"的基向量。这些向量是的特征向量 得到的是右奇异向量, 是奇异值，u是左奇异向量， 奇异值跟特征值类似，在矩 ...
分类：
其他好文 时间：
2017-02-21 22:01:58
阅读次数：
208
import org.apache.log4j.{Level,Logger}import org.apache.spark.{SparkConf,SparkContext}import org.apache.spark.storage.StorageLevelimport org.apache.sp ...
分类：
其他好文 时间：
2017-02-17 17:02:10
阅读次数：
235
奇异值分解（Singular Value Decompositon,SVD），可以实现用小得多的数据集来表示原始数据集。 优点：简化数据，取出噪声，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 SVD最早的应用之一是信息检索，我们称利用SVD的方法为隐形语义索引（LSI）或 ...
分类：
其他好文 时间：
2017-01-19 16:55:24
阅读次数：
176
本系列意在长期连载分享，内容上可能也会有所删改； 因此如果转载，请务必保留源地址，非常感谢！ 博客园：http://www.cnblogs.com/data-miner/（暂时公式显示有问题） 其他：建设中… 当我们在谈论kmeans：总结 概述 通过前面阅读K-means相关论文，大致能梳理出K- ...
分类：
其他好文 时间：
2017-01-16 00:56:10
阅读次数：
148
上一篇文章讲了PCA的数据原理，明白了PCA主要的思想及使用PCA做数据降维的步骤，本文我们详细探讨下另一种数据降维技术—奇异值分解（SVD）。 在介绍奇异值分解前，先谈谈这个比较奇怪的名字：奇异值分解，英文全称为Singular Value Decomposition。首先我们要明白，SVD是众多 ...
分类：
其他好文 时间：
2017-01-15 13:49:04
阅读次数：
388
