Perguntas com a marcação «svd»

Gostaria de desenhar uma amostra . A Wikipedia sugere usar uma composição de Cholesky ou Eigend , por exemplo , ou x∼N(0,Σ)x∼N(0,Σ)\mathbf{x} \sim N\left(\mathbf{0}, \mathbf{\Sigma} \right)Σ=D1DT1Σ=D1D1T \mathbf{\Sigma} = \mathbf{D}_1\mathbf{D}_1^T Σ=QΛQTΣ=QΛQT \mathbf{\Sigma} = \mathbf{Q}\mathbf{\Lambda}\mathbf{Q}^T E, portanto, o exemplo pode ser obtido via: ou onde x=D1vx=D1v \mathbf{x} = \mathbf{D}_1 \mathbf{v} x=QΛ−−√vx=QΛv \mathbf{x} …

16 normal-distribution  random-generation  svd  cholesky 

Estou tentando executar o cluster no nível do documento. Eu construí a matriz de frequência termo-documento e estou tentando agrupar esses vetores de alta dimensão usando k-means. Em vez de agrupar diretamente, o que eu fiz foi aplicar primeiro a decomposição de vetor singular do LSA (Latent Semantic Analysis) para …

16 clustering  pca  dimensionality-reduction  text-mining  svd 

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 

Me deparei com o artigo de Hervé Abdi sobre SVD generalizado. O autor mencionou: O SVD generalizado (GSVD) decompõe uma matriz retangular e leva em consideração as restrições impostas nas linhas e nas colunas da matriz. O GSVD fornece uma estimativa quadrada generalizada ponderada de uma matriz dada por uma …

15 multivariate-analysis  svd 

Esses termos são reunidos muito, mas eu gostaria de saber quais são as diferenças, se houver. obrigado

15 pca  text-mining  svd 

Possivelmente fora do tópico aqui, mas já existem várias ( uma , duas ) questões relacionadas. Pesquisando na literatura (ou uma pesquisa no Google por algoritmos SVD truncados) aparece muitos artigos que usam SVDs truncados de várias maneiras e afirmam (frustrantemente, muitas vezes sem citação) que existem algoritmos rápidos para …

14 algorithms  svd  numerics 

Se eu construir uma matriz 2D composta inteiramente de dados aleatórios, esperaria que os componentes PCA e SVD não explicassem nada. Em vez disso, parece que a primeira coluna SVD parece explicar 75% dos dados. Como isso pode ser possível? O que estou fazendo de errado? Aqui está o enredo: …

13 r  pca  svd 

Estou tentando decompor uma matriz de covariância com base em um conjunto de dados esparsos / gappy. Estou percebendo que a soma do lambda (variação explicada), conforme calculada svd, está sendo amplificada com dados cada vez mais escassos. Sem lacunas, svde eigenproduz os mesmos resultados. Isso não parece acontecer com …

12 r  svd  eigenvalues 

Suponha que eu tenha uma matriz de recomendação no estilo Netflix e que deseje criar um modelo que preveja possíveis classificações futuras de filmes para um determinado usuário. Usando a abordagem de Simon Funk, usaria-se a descida do gradiente estocástico para minimizar a norma de Frobenius entre a matriz completa …

12 svd  recommender-system 

Entendo a relação entre Análise de Componentes Principais e Decomposição de Valor Singular em um nível algébrico / exato. Minha pergunta é sobre a implementação do scikit-learn . A documentação diz: " [TruncatedSVD] é muito semelhante ao PCA, mas opera diretamente em vetores de amostra, em vez de em uma …

12 pca  scikit-learn  svd  scipy 

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 no ano passado . Estou usando decomposição de vetor singular em uma matriz e obtendo as matrizes U, S …

11 data-visualization  python  svd 

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 

Uma maneira de gerar incorporação de palavras é a seguinte ( espelho ): Obtenha um corpora, por exemplo: "Gosto de voar. Gosto de PNL. Gosto de aprendizado profundo". Crie a palavra matriz de coocorrência a partir dela: Execute o SVD no XXX e mantenha as primeiras kkk colunas de U. …

11 natural-language  svd  mutual-information  word-embeddings  language-models 

Estou usando a análise semântica latente para representar um corpus de documentos no espaço dimensional inferior. Quero agrupar esses documentos em dois grupos usando k-means. Vários anos atrás, eu fiz isso usando o gensim do Python e escrevendo meu próprio algoritmo k-means. Eu determinei os centróides do cluster usando a …

10 k-means  svd  lsa  cosine-distance  cosine-similarity 

Este é apenas um exemplo que encontrei várias vezes, portanto não tenho dados de amostra. Executando um modelo de regressão linear em R: a.lm = lm(Y ~ x1 + x2) x1é uma variável contínua. x2é categórico e possui três valores, por exemplo, "Baixo", "Médio" e "Alto". No entanto, a saída …

10 r  regression  categorical-data  regression-coefficients  categorical-encoding  machine-learning  random-forest  anova  spss  r  self-study  bootstrap  monte-carlo  r  multiple-regression  partitioning  neural-networks  normalization  machine-learning  svm  kernel-trick  self-study  survival  cox-model  repeated-measures  survey  likert  correlation  variance  sampling  meta-analysis  anova  independence  sample  assumptions  bayesian  covariance  r  regression  time-series  mathematical-statistics  graphical-model  machine-learning  linear-model  kernel-trick  linear-algebra  self-study  moments  function  correlation  spss  probability  confidence-interval  sampling  mean  population  r  generalized-linear-model  prediction  offset  data-visualization  clustering  sas  cart  binning  sas  logistic  causality  regression  self-study  standard-error  r  distributions  r  regression  time-series  multiple-regression  python  chi-squared  independence  sample  clustering  data-mining  rapidminer  probability  stochastic-processes  clustering  binary-data  dimensionality-reduction  svd  correspondence-analysis  data-visualization  excel  c#  hypothesis-testing  econometrics  survey  rating  composite  regression  least-squares  mcmc  markov-process  kullback-leibler  convergence  predictive-models  r  regression  anova  confidence-interval  survival  cox-model  hazard  normal-distribution  autoregressive  mixed-model  r  mixed-model  sas  hypothesis-testing  mediation  interaction