机器学习Python实现 SVD 分解

最新推荐文章于 2024-05-16 11:19:15 发布

candice廷

最新推荐文章于 2024-05-16 11:19:15 发布

阅读量7.2k

点赞数 1

分类专栏：数据库工程师

本文链接：https://blog.csdn.net/xietingcandice/article/details/44349685

版权

本文探讨如何使用Python实现Singular Value Decomposition (SVD)并将其应用于推荐系统。通过SVD将矩阵分解为U、Z、Vt，其中U和V分别映射物品和用户到新的特征空间。SVD在降维方面也有应用，通过保留重要的奇异值来完成数据简化。

摘要由CSDN通过智能技术生成

这篇文章主要是结合机器学习实战将推荐算法和SVD进行相应的结合

任何一个矩阵都可以分解为SVD的形式

其实SVD意义就是利用特征空间的转换进行数据的映射，后面将专门介绍SVD的基础概念，先给出python，这里先给出一个简单的矩阵，表示用户和物品之间的关系

这里我自己有个疑惑？

对这样一个DATA = U（Z）Vt

这里的U和V真正的几何含义 : 书上的含义是U将物品映射到了新的特征空间， V的转置将用户映射到了新的特征空间

下面是代码实现，同时SVD还可以用于降维，降维的操作就是通过保留值比较的奇异值

# -*- coding: cp936 -*-
'''
Created on Mar 8, 2011

@author: Peter
'''
from numpy import *
from numpy import linalg as la #用到别名

#这里主要结合推荐系统介绍SVD，所以这里的数据都可以看成是用户对物品的一个打分
def loadExData():
    return[[0, 0, 0, 2, 2],
           [0, 0, 0, 3, 3],
           [0, 0, 0, 1, 1],
           [1, 1, 1, 0, 0],
           [2, 2, 2, 0, 0],
           [5, 5, 5, 0, 0],
           [1, 1, 1, 0, 0]]
    
def loadExData2():
    return[[0, 0, 0, 0, 0, 4, 0, 0, 0, 0, 5],
           [0, 0, 0, 3, 0, 4, 0, 0, 0, 0, 3],
           [0,