- 博客(9)
- 收藏
- 关注
RSS订阅转载 [机器学习笔记]奇异值分解SVD简介及其在推荐系统中的简单应用
转载出处：http://www.cnblogs.com/lzllovesyl/p/5243370.html本文先从几何意义上对奇异值分解SVD进行简单介绍，然后分析了特征值分解与奇异值分解的区别与联系，最后用python实现将SVD应用于推荐系统。1.SVD详解SVD(singular value decomposition)，翻译成中文就是奇异值分解。SVD的
2017-06-21 23:44:27
653
转载 机器学习中的数学(5)-强大的矩阵奇异值分解(SVD)及其应用
转载出处：http://www.cnblogs.com/LeftNotEasy/archive/2011/01/19/svd-and-applications.html版权声明： 本文由LeftNotEasy发布于http://leftnoteasy.cnblogs.com, 本文可以被全部的转载或者部分使用，但请注明出处，如果有问题，请联系wheeleast@g
2017-06-21 22:56:32
334
转载 关联维数(G-P算法)
转载出处：http://blog.sina.com.cn/s/blog_6275b6df0101j3qt.html关联维数不仅是我们在相空间重构过程中求解嵌入维数的一种重要方法，而且在机械故障诊断中发挥了重要的作用。关联维数计算的方法目前最主要的就是GP算法了，虽然目前也提出来一些其他的方法，但大都是基于GP算法的改进，譬如在GP算法前加入迭代奇异值降噪，减少噪
2017-06-19 17:30:31
19320
3
转载 特征值和特征向量的实际意义
转载出处：http://blog.csdn.net/sunshine_in_moon/article/details/45749691本文转自知乎大牛。 从定义出发，Ax=cx：A为矩阵，c为特征值，x为特征向量。 矩阵A乘以x表示，对向量x进行一次转换（旋转或拉伸）（是一种线性转换），而该转换的效果为常数c乘以向量x（即只进行拉伸）。 我们通常求特征值和特征向量即
2017-06-16 11:23:42
428
转载 AR模型的谱估计
转载出处：http://blog.sina.com.cn/s/blog_62f573ad0100sfh1.htmlAR模型的谱估计是现代谱估计的主要内容。1．AR模型的Yule—Walker方程和Levinson-Durbin递推算法：在MATLAB中，函数levinson和aryule都采用Levinson-Durbin递推算法来求解AR模型的参数a1,a2,……
2017-06-13 11:15:58
7178
转载 机器学习中特征选择概述
转载出处：http://blog.csdn.net/iezengli/article/details/32686803一、 背景1) 问题在机器学习的实际应用中，特征数量可能较多，其中可能存在不相关的特征，特征之间也可能存在相关性，容易导致如下的后果：1. 特征个数越多，分析特征、训练模型所需的时间就越长，模型也会越复杂。2. 特征个数越多，容易
2017-06-10 18:29:41
4104
转载 机器学习竞赛技巧
转载出处：http://blog.csdn.net/wtq1993/article/details/51418958Kaggle 是目前最大的 Data Scientist 聚集地。很多公司会拿出自家的数据并提供奖金，在 Kaggle 上组织数据竞赛。我最近完成了第一次比赛，在 2125 个参赛队伍中排名第 98 位（~ 5%）。因为是第一次参赛，所以对这个成绩我已经很满意
2017-06-08 13:14:36
409
转载 基于域的分解机(FFM)理论介绍及libFFM源码解析
转载出处：http://blog.csdn.net/zc02051126/article/details/54614230符号说明：x表示样本特征数据y表示样本目标数据第i个训练样本为(xi,yi)，为了方便也可以用x=xi表示第i个样本1 基于域的分解机模型（FFM）1.1 线性模型∅(w,x)=wTx=w0+∑j∈C1wjxj−−−−
2017-06-04 15:12:23
1190
转载 基于域的分解机(FFM)理论介绍及libFFM源码解析
转载出处：http://blog.csdn.net/zc02051126/article/details/54614230符号说明：x表示样本特征数据y表示样本目标数据第i个训练样本为(xi,yi)，为了方便也可以用x=xi表示第i个样本1 基于域的分解机模型（FFM）1.1 线性模型∅(w,x)=wTx=w0+∑j∈C1wjxj−−−−
2017-06-01 20:02:29
604
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人