Perguntas com a marcação «matrix-decomposition»

/ editar: Acompanhamento adicional agora você pode usar o irlba :: prcomp_irlba / edit: acompanhando meu próprio post. irlbaagora possui argumentos de "centro" e "escala", que permitem usá-lo para calcular componentes principais, por exemplo: pc <- M %*% irlba(M, nv=5, nu=0, center=colMeans(M), right_only=TRUE)$v Eu tenho um grande número Matrixde recursos …

31 r  pca  dimensionality-reduction  svd  matrix-decomposition 

Dado um PCA (ou SVD) aproximação de matriz XXX com uma matriz X , sabemos que X é o melhor baixo-rank aproximação das X .X^X^\hat XX^X^\hat XXXX Isso está de acordo com a norma induzida ∥⋅∥2∥⋅∥2\parallel \cdot \parallel_2 (ou seja, a maior norma de autovalor) ou de acordo com a …

26 pca  svd  matrix-decomposition 

Esta pergunta é sobre uma maneira eficiente de calcular os componentes principais. Muitos textos sobre PCA linear advogam o uso da decomposição de valor singular dos dados casewise . Ou seja, se temos dados XX\bf X e queremos substituir as variáveis ​​(suas colunas ) por componentes principais, fazemos SVD: X=USV′X=USV′\bf …

22 pca  algorithms  svd  matrix-decomposition 

Eu preciso calcular a matriz inversa e tenho usado a solvefunção. Embora funcione bem em matrizes pequenas, solvetende a ser muito lento em matrizes grandes. Eu queria saber se existe alguma outra função ou combinação de funções (por meio de SVD, QR, LU ou outras funções de decomposição) que possa …

21 r  matrix-decomposition  matrix-inverse 

Recentemente, li o livro de Skillicorn sobre decomposições matriciais e fiquei um pouco decepcionado, pois era direcionado a um público de graduação. Gostaria de compilar (para mim e para os outros) uma breve bibliografia de artigos essenciais (pesquisas, mas também artigos inovadores) sobre decomposições matriciais. O que eu tenho em …

18 matrix-decomposition  svd  numerics 

Suponha que eu possua uma matriz densa de m × n , com decomposição SVD A = U S V ⊤ . Em que posso calcular o SVD da seguinte forma: .UMAUMA \textbf{A}m × nm×nm \times nA = U S V⊤.UMA=vocêSV⊤.\mathbf{A}=\mathbf{USV}^\top.Rsvd(A) Se uma nova -ésima linha for adicionada a A …

17 algorithms  svd  linear-algebra  matrix-decomposition  numerics 

Considere uma série temporal simples: > tp <- seq_len(10) > tp [1] 1 2 3 4 5 6 7 8 9 10 podemos calcular uma matriz de adjacência para essa série temporal que representa os links temporais entre amostras. Ao calcular essa matriz, adicionamos um site imaginário no tempo 0 …

15 time-series  matrix-decomposition  svd 

Fechadas. Esta questão está fora de tópico . No momento, não está aceitando respostas. Deseja melhorar esta pergunta? Atualize a pergunta para que ela esteja no tópico de Validação cruzada. Fechado há 2 anos . Alguém poderia inventar o código R para plotar uma elipse a partir dos valores próprios …

15 r  multivariate-analysis  matrix  matrix-decomposition 

Dada uma matriz , a fatoração de matriz não negativa (NMF) encontra duas matrizes não negativas e ( ou seja, com todos os elementos ) para representar a matriz decomposta como:W m × k H k × n ≥0Vm×nVm×n\mathbf V^{m \times n}Wm×kWm×k\mathbf W^{m \times k}Hk×nHk×n\mathbf H^{k \times n}≥0≥0\ge 0 V≈WH,V≈WH,\mathbf …

15 cross-validation  unsupervised-learning  latent-variable  matrix-decomposition  nnmf 

Estou trabalhando em um projeto para filtragem colaborativa (CF), ou seja, concluindo uma matriz parcialmente observada ou, mais geralmente, tensor. Eu sou um novato em campo e, para este projeto, eventualmente, tenho que comparar nosso método com outros conhecidos que, atualmente, os métodos propostos são comparados com eles, ou seja, …

13 optimization  recommender-system  matrix-decomposition 

Minha pergunta se refere a uma técnica de computação explorada em geoR:::.negloglik.GRFou geoR:::solve.geoR. Em uma configuração linear modelo misto: onde e são os efeitos fixos e aleatórios, respectivamente. Além disso,β b Σ = cov ( Y )Y=Xβ+Zb+eY=Xβ+Zb+e Y=X\beta+Zb+e ββ\betabbbΣ=cov(Y)Σ=cov(Y)\Sigma=\text{cov}(Y) Ao estimar os efeitos, é necessário calcular que normalmente pode ser …

13 r  eigenvalues  matrix-decomposition  matrix-inverse  cholesky 

O mgcvpacote para Rpossui duas funções para ajustar as interações do produto tensorial: te()e ti(). Entendo a divisão básica do trabalho entre os dois (ajustando uma interação não linear versus decompondo essa interação em efeitos principais e uma interação). O que não entendo é o porquê te(x1, x2)e ti(x1) + …

11 r  gam  mgcv  conditional-probability  mixed-model  references  bayesian  estimation  conditional-probability  machine-learning  optimization  gradient-descent  r  hypothesis-testing  wilcoxon-mann-whitney  time-series  bayesian  inference  change-point  time-series  anova  repeated-measures  statistical-significance  bayesian  contingency-tables  regression  prediction  quantiles  classification  auc  k-means  scikit-learn  regression  spatial  circular-statistics  t-test  effect-size  cohens-d  r  cross-validation  feature-selection  caret  machine-learning  modeling  python  optimization  frequentist  correlation  sample-size  normalization  group-differences  heteroscedasticity  independence  generalized-least-squares  lme4-nlme  references  mcmc  metropolis-hastings  optimization  r  logistic  feature-selection  separation  clustering  k-means  normal-distribution  gaussian-mixture  kullback-leibler  java  spark-mllib  data-visualization  categorical-data  barplot  hypothesis-testing  statistical-significance  chi-squared  type-i-and-ii-errors  pca  scikit-learn  conditional-expectation  statistical-significance  meta-analysis  intuition  r  time-series  multivariate-analysis  garch  machine-learning  classification  data-mining  missing-data  cart  regression  cross-validation  matrix-decomposition  categorical-data  repeated-measures  chi-squared  assumptions  contingency-tables  prediction  binary-data  trend  test-for-trend  matrix-inverse  anova  categorical-data  regression-coefficients  standard-error  r  distributions  exponential  interarrival-time  copula  log-likelihood  time-series  forecasting  prediction-interval  mean  standard-error  meta-analysis  meta-regression  network-meta-analysis  systematic-review  normal-distribution  multiple-regression  generalized-linear-model  poisson-distribution  poisson-regression  r  sas  cohens-kappa 

Em todos os sistemas modernos de recomendação que eu vi que dependem da fatoração de matriz, uma fatoração de matriz não negativa é realizada na matriz de filmes do usuário. Entendo por que a não-negatividade é importante para a interpretabilidade e / ou se você deseja fatores esparsos. Mas se …

11 recommender-system  svd  matrix-decomposition  nnmf 

Os sistemas lineares de equações são difundidos nas estatísticas computacionais. Um sistema especial que encontrei (por exemplo, na análise fatorial) é o sistema A x = bAx=bAx=b onde Aqui é uma matriz diagonal com uma diagonal estritamente positiva, é uma matriz semi-definida positiva simétrica (com ) e é uma matriz …

10 factor-analysis  matrix  computational-statistics  matrix-decomposition  matrix-inverse 

Considere o problema de filtragem colaborativa. Temos matriz de tamanho #users * #items. se o usuário gostar do item j, se o usuário não item j ese não houver dados sobre o par (i, j). Queremos prever para futuros pares de itens e usuários.MMMMi , j= 1MEu,j=1 1M_{i,j} = 1Mi …

9 machine-learning  recommender-system  matrix-decomposition