数据降维--SVDCUR

矩阵的秩

秩即维度

SVD

使用SVD降维

SVD示例

We have used three columns for U, Σ, and V,the columns of U and V correspond to concepts.The first is “science fiction”and the second is “romance.” It is harder to explain the third column’sconcept, but it doesn’t matter all that much, because its weight, as given by the third nonzero entry in Σ, is very low compared with the weights of the first two concepts.

Let us think of the rows of A as people and the columns of A as movies. Then matrix U connects people to concepts. For example, the person Joe, who corresponds to row 1 of A, likes only the concept science fiction. The value 0.13 in the first row and first column of U is smaller than some of the other entries in that column, because while Joe watches only science fiction, he doesn’t rate those movies highly. The second column of the first row of U is 0, because Joe doesn’t rate romance movies at all. The matrix V relates movies to concepts. The 0.56,0.59 and 0.56 in each of the first three columns of the first row of V^T indicates that the first three movies –Matrix, Alien, and Star Wars – each are of the science-fiction genre, while the 0’s in the last two columns of the first row say that these movies do not partake of the concept romance at all. Likewise, the second row of V^Ttells us that the movies Casablanca and Titanic are exclusively romances.

Finally, the matrix Σ gives the strength of each of the concepts. In our example, the strength of the science-fiction concept is 12.4, while the strength of the romance concept is 9.5. Intuitively,the science-fiction concept is stronger because the data provides more moviesof that genre and more people who like them.

CUR分解

Computing U

CUR: Provably good approx. to SVD

SVD和CUR比较

参考文献

http://cs246.stanford.edu

数据降维--SVDCUR相关推荐

【机器学习入门】(12) 特征工程：特征选择、数据降维、PCA
各位同学好,今天我和大家分享一下python机器学习中的特征选择和数据降维.内容有: (1)过滤选择:(2)数据降维PCA:(3)sklearn实现那我们开始吧. 一个数据集中可能会有以下问题: ( ...
利用PCA进行数据降维
一.进行数据降维的原因 1.使得数据更加容易使用 2.降低很多算法的计算开销 3.去除数据中的噪声(例如使用自编码器AE可以给图片进行降噪处理) 4.便于可视化二.常见的降维技术在已标注和未标注的 ...
在线作图丨数据降维方法③——正交偏最小二乘方判别分析（OPLS-DA）
Question1:什么是PLS-DA? 与PCA不同,PLS是"有监督"模式的偏最小二乘法分析,也就是在分析数据时,已知样本的分组关系,这样可以更好的选择区分各组的特征变量,确 ...
R语言plotly可视化：使用PCA算法进行数据降维、使用plotly可视化随着主成分的增加解释的方差的量(plotting explained variance)
R语言plotly可视化:使用PCA算法进行数据降维.使用plotly可视化随着主成分的增加解释的方差的量(plotting explained variance) 目录
R语言plotly可视化：使用PCA算法进行数据降维、使用plotly可视化PCA所有的主成分绘制散点图矩阵、降维后的两个（三个）核心主成分的二维、三维可视化图形、方差解释的量、载荷图等
R语言plotly可视化:使用PCA算法进行数据降维.使用plotly可视化PCA所有的主成分绘制散点图矩阵.降维后的两个(三个)核心主成分的二维.三维可视化图形.方差解释的量.载荷图等目录
使用聚类算法（Kmeans）进行数据降维并作为分类算法逻辑回归（logistic Regression）的数据预处理步骤实战
使用聚类算法(Kmeans)进行数据降维并作为分类算法逻辑回归(logistic Regression)的数据预处理步骤实战目录
PCA图像数据降维及重构误差分析实战并使用TSNE进行异常数据可视化分析
PCA图像数据降维及重构误差分析实战并使用TSNE进行异常数据可视化分析目录 PCA图像数据降维及重构误差分析实战并使用TSNE进行异常数据可视化分析</
机器学习基础-数据降维
http://blog.itpub.net/29829936/viewspace-2643140/ 2019-05-01 10:06:00 首先需要了解下:什么叫做数据降维,为什么要对数据进行降维,如 ...
数据降维与可视化——t-SNE
数据降维与可视化--t-SNE 原文:https://blog.csdn.net/hustqb/article/details/78144384 声明: manifold:可以称之为流形数据.像绳结一 ...

数据降维--SVDCUR

数据降维--SVDCUR相关推荐

最新文章

热门文章