以MovieLens电影推荐为例，SVD(Singular Value Decomposition)的想法是根据已有的评分情况，分析出评分者对各个因子的喜好程度以及电影包含各个因子的程度，最后再反过来根据分析结果。使用SVD对问题进行建模SVD的想法抽象点来看就是将一个N行M列的评分矩阵R（R[u][i]代表第u个用户对第i个物品的评分），分解成一个N行F列的用户因子矩阵P（P[u][k]表示用户u...
分类：
其他好文 时间：
2016-04-26 20:38:16
阅读次数：
124
1.数学 2.机器学习 Java 机器学习 工具 & 库 1.处理小数据效果好 2.深度学习—大数据，超过500w；图像，语言方面效果奇好 SVD 最小二乘法 梯度下降法 局部加权回归 1.最大似然估计 2.logistic回归 3.感知器的初步—logistic的简化情节 牛顿法 1.介绍了牛顿方 ...
分类：
其他好文 时间：
2016-04-23 11:53:53
阅读次数：
699
1. 奇异值分解 SVD(singular value decomposition)
1.1 SVD评价
优点: 简化数据, 去除噪声和冗余信息, 提高算法的结果
缺点: 数据的转换可能难以理解
1.2 SVD应用
(1) 隐性语义索引(latent semantic indexing, LSI)/隐性语义分析(latent semantic analysis, LSA)...
分类：
其他好文 时间：
2016-04-22 20:49:13
阅读次数：
324
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
>> X = rand(5,7) X = 0.9797 0.1365 0.6614 0.5828 0.2259 0.2091 0.5678 0.2714 0.0118 0.2844 0.4235 0.5798 0.3798 0.7942 0.2523 0.8939 0.4692 0.5155 0.7
分类：
其他好文 时间：
2016-03-19 00:48:24
阅读次数：
331
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
