《机器学习实战》第14章学习笔记（数据约简工具---SVD）

最新推荐文章于 2022-04-16 22:13:14 发布
最新推荐文章于 2022-04-16 22:13:14 发布
阅读量575 收藏 1
点赞数 1
分类专栏： 机器学习 文章标签： SVD 数据约简 机器学习 python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/LZH_12345/article/details/80384382
版权
本文介绍了奇异值分解（SVD）的基本原理，它是一种矩阵分解技术，能将数据的主要特征提取出来。SVD在信息检索中的隐形语义索引（LSI）和推荐系统中有广泛应用。在LSI中，SVD帮助处理文档搜索的同义词问题。而在推荐系统中，SVD用于构建主题空间以计算项或人之间的相似度。
摘要由CSDN通过智能技术生成

一、SVD基本原理

提取这些信息的方法称为奇异值分解（Singular Value Decomposition, SVD )。

在很多情况下，数据中的一小段携带了数据集中的大部分信息，其他信息则要么是噪声，要么就是毫不相关的信息。在线性代数中还有很多矩阵分解技术。矩阵分解可以将原始矩阵表示成新的易于处理的形式，这种新形式是两个或多个矩阵的乘积。我们可以将这种分解过程想象成代数中的因子分解。

取前r个非零奇异值，可以还原原来的矩阵Data,即前r个非零奇异值对应的奇异向量代表了矩阵Data的主要特征，可以表示为

                                            

SVD优缺点：


二、SVD的应用

2.1 隐形语义索引

       SVD的历史巳经超过上百个年头， 但是最近几十年随着计算机的使用， 我们发现了其更多的使用价值。最早的SVD应用之一就

最低0.47元/天 解锁文章
LZH_12345
关注
专栏目录
《机器学习实战》第14章——利用SVD简化数据完全解读
weixin_41169182的博客
12-28 541
本章内容介绍 奇异值分解(Singular Value Decomposition,SVD)常用来简化数据、去除噪声。在这章先介绍SVD的一些应用，再从其算法来分析它为什么有效，然后建立一个基于协同过滤的系统。 奇异值分解的应用 在隐性语义索引中(Latent Semantic Indexing，LSI)，我们将一个文档用一个矩阵(term-document)表示，在这个矩阵的基础上运用SVD对其...
《机器学习实战》 第十四章【利用SVD简化数据】
十二月未央未眠
11-16 264
奇异值分解（Singular Value Decomposition）是线性代数中一种重要的矩阵分解，奇异值分解则是特征分解在任意矩阵上的推广。在信号处理、统计学等领域有重要应用。 ——百度百科 目录算法描述优缺点算法思路一个栗子 算法描述 优缺点 优点：简化数据、去除噪声、提高算法效果 缺点：数据的转换可能难以理解 适用数据类型：数值型数据 算法思路 很多情况下，数据中的一小段携带了数据...
【机器学习实战】第14章 利用 SVD 简化数据
chimoren0700的博客
10-09 313
第14章 利用SVD简化数据 <script type="text/javascript" src="http://cdn.mathjax.org/mathjax/latest/MathJax.js?config=default"></script> SVD...
《机器学习实战》第14章 利用SVD简化数据(代码)
zrh_CSDN的博客
06-27 351
'''Created on Mar 8, 2011@author: Peter'''from numpy import *from numpy import linalg as ladef loadExData():    return[[0, 0, 0, 2, 2],           [0, 0, 0, 3, 3],           [0, 0, 0, 1, 1],           ...
机器学习实战--14.利用SVD简化数据
认真学代码的shell
08-18 127
1.奇异值分解(Singular Value Decomposition，SVD) 可以将一个比较复杂的矩阵用更小更简单的几个子矩阵的相乘来表示，这些小矩阵描述的是矩阵的重要的特性。 优点：简化数据，去除噪声点，提高算法的结果。 缺点：数据的转换可能难以理解。 **应用场景：**推荐系统、图片压缩等。 ...
《机器学习实战：基于Scikit-Learn、Keras和TensorFlow第2版》-学习笔记（4）：训练模型
Morganfs的博客
04-16 1530
第四章 训练模型 · Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd Edition, by Aurélien Géron (O’Reilly). Copyright 2019 Aurélien Géron, 978-1-492-03264-9. · 环境：Anaconda（Python 3.8） + Pycharm · 学习时间：2022.04.16~2022.04.？ 到目前为止，我们已经探讨了不同机器学
『ML』利用K-Means聚类算法对未标注数据分组——《机器学习实战》学习笔记（Ch10）
酒狂的博客
03-31 2078
本节用Python实现K-Means算法，对未标注的数据进行聚类。主要参考《机器学习实战》—— Peter Harrington著。
《机器学习实战》笔记-介绍
Open Computer
12-01 188
《机器学习实战》读书笔记 　　转载请注明地址：https://www.cnblogs.com/pengsky2016/p/10153958.html 　　这段时间将学习《机器学习实战》，这本书抛开了繁杂的数学公式和证明，通过大量的示例，以...
『ML』利用SVD（奇异值分解）实现推荐系统及图像压缩——《机器学习实战》学习笔记（Ch14）
酒狂的博客
08-21 1038
本节用Python实现奇异值分解SVD算法，重点介绍了它在推荐系统以及图像压缩方面的应用。主要参考《机器学习实战》—— Peter Harrington著。
机器学习实战第十四章-利用SVD简化数据
渐渐遗忘的记忆
02-20 642
一，什么是SVD SVD(Singular Value Decomposition)：奇异值分解。 基本知识如下图所示： 其中U和V都可以作为高维转低维的转换矩阵将原始高维冗余数据转换到一个低维无冗余语义空间中，从而实现数据的降维。 SVD的应用 优点：简化数据，去除噪声，提高算法的结果。 缺点：数据的转换可能难以理解。 适用数据类型：数值型数据。 应用：LSA/LSI（隐性语...
《机器学习实战》笔记（十四）：Ch14 - 利用SVD简化数据
机器学习
01-31 254
暂未更新 Github
[完]机器学习实战 第十四章 利用SVD简化数据
无名的博客
10-31 3917
本章内容： SVD矩阵分解 推荐引擎 利用SVD提升推荐引擎的性能 餐馆可分为很多类别，不同的专家对其分类可能有不同依据。实际中，我们可以忘掉专家，从数据着手，可对记录用户关于餐馆观点的数据进行处理，并从中提取出其背后的因素。这些因素可能会与餐馆的类别、烹饪时采用的某个特定配料，或其他任意对象一致。然后，可利用这些因素来估计人们对没有去过的餐馆的看法。提取这些信息的方法称为奇异值分解（Singula
机器学习实战——利用 SVD 简化数据
wxw_csdn的博客
03-01 595
机器学习实战——利用 SVD 简化数据1 SVD 的介绍2 Python 中的实现3 参考资料 1 SVD 的介绍 假设 A 是一个 n×nn\times nn×n 的方阵，则其具有如下形式： Aν=λνA\nu=\lambda\nuAν=λν 其中 λ\lambdaλ 是矩阵 A 的一个特征值， ν\nuν 是矩阵 A 的一个nnn 维特征向量。若把矩阵 A 的 nnn 个特征值及其对应的特征向...
机器学习实战—利用SVD简化数据
zoinsung_lee的博客
05-06 736
一、SVD的应用 奇异值分解： 优点：简化数据，去除噪声。提高算法的结果。 缺点：数据转换难以理解。 利用SVD能够实现用小得多的数据集来表示原始数据集，这样做，实际上是去除了噪声和冗余信息。当我们视图节省空间时，去除噪声和冗余信息是目标，但是我们这里则是从数据中抽取信息，基于这个视角，我们可以把SVD看成是从有噪声的数据中抽取相关特征。 1、隐性语义索引（LSI） 利用SVD的方法为...
机器学习实战-利用SVD简化数据
秦时明月mov
08-28 506
利用SVD（Singular Value Decomposition），即奇异值分解，我们可以用更小的数据集来表示原始数据集。这样做，其实是去除了噪声和冗余信息。
机器学习实战 --- 利用SVD简化数据
杨鑫newlife的专栏
06-03 461
SVD概述：奇异值分解（SVD， Singular Value Decomposition）: 提取信息的一种方法，可以把SVD看成是从噪声中抽取相关的特征。从生物信息学到金融学， SVD是是提取信息的巨大工具。 SVD场景： 信息检索 - 隐形语义索引（Lstent Semantic Indexing, LSI）或隐形语义分析（LSA）。 隐形语义索引...
机器学习实战——第十四章－利用SVD简化数据-程序详解-python3
youhuakongzhi的博客
02-28 306
import numpy from numpy import linalg def loadExData(): return[[1,1,1,0,0], [2,2,2,0,0], [1,1,1,0,0], [5,5,5,0,0], [1,1,0,2,2], [0,0,0,3,3],...
scikit-learn 0.18.2：Python机器学习实战指南
"scikit-learn用户手册0.18.2版" ...scikit-learn是一个全面且强大的机器学习工具包，适合从初学者到高级开发者的各种需求，通过其丰富的功能和易用的接口，使得在Python中实现机器学习任务变得简单高效。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值