斯坦福ML公开课笔记15
我们在上一篇笔记中讲到了PCA(主成分分析)。PCA是一种直接的降维方法，通过求解特征值与特征向量，并选取特征值较大的一些特征向量来达到降维的效果。
本文继续PCA的话题，包括PCA的一个应用——LSI(Latent Semantic Indexing, 隐含语义索引)和PCA的一个实现——SVD(Singular Value Decomposition,奇异值分解)，在SVD和LSI结束之后，关于PCA的内容就告一段落。视频的后半段开始讲无监督学习的一种——ICA(Indepen...
分类：
其他好文 时间：
2014-07-22 14:16:14
阅读次数：
314
转载请注明出处：电子科技大学EClab——落叶花开http://www.cnblogs.com/nlp-yekai/p/3848528.htmlSVD，即奇异值分解，在自然语言处理中，用来做潜在语义分析即LSI，或者LSA。最早见文章An introduction to latent semanti...
分类：
编程语言 时间：
2014-07-19 16:10:01
阅读次数：
418
1.矩阵分解假设一个矩阵Data是m行n列，SVD(奇异值分解)将Data分解为U,E,VT
三个矩阵：Datam*n=Um*kEk*kVTk*nE是一个对角矩阵，对角元素为奇异值，对应Data的奇异值，即Data*DataT特征值的平方2.选取特征下面确定选取哪几维特征实现降维，去除噪声和冗余信息...
分类：
其他好文 时间：
2014-05-31 18:45:57
阅读次数：
327
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。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。它的几何解释可以看做将一个空间进行旋转，尺度拉伸，再旋转三步过程。首先来看一个对角矩阵，几何上,
我们将一个矩阵理解为对...
分类：
其他好文 时间：
2014-05-10 00:51:03
阅读次数：
363
SVD原理:
http://blog.csdn.net/wuyanyi/article/details/7964883
分类：
其他好文 时间：
2014-05-08 14:43:13
阅读次数：
317
