- 博客(4)
- 收藏
- 关注
原创 svm支持向量机
支持向量机,是数据挖掘中的一项新技术。其借助最优化方法来解决机器学习问题。 主要思想为:找到一个超平面,使得它能尽可能多的将两类数据点正确分开,同时,使两类数据点距离分类面最远。 主要形式及变化方式: 线性可分支持向量机,通过引入松弛变量,变为线性支持向量机; 线性可分支持向量机,通过引入核函数,变为可分支持向量机; 线性可分支持向量机,通过引入松弛变量、核函数,
2015-05-27 17:55:14 533
原创 UV分解
原理: 将 M(n*m) 分解为 U(n*d) V(d*m) 。 目的: 最大化的拟合M已知点,以预测M的未知点。 评估: 已知点的 RMSE (最小化误差平方和)。 寻优: 梯度方法(也可其他) 过拟合: 多次或组合方式
2015-05-25 18:29:54 6327
原创 pca 主成分分析
1、数据标准化 2、计算相关系数矩阵R 3、计算特征值与特征向量 4、选择主成分(信息贡献率累计大于70%) 5、选取主成分特征向量,构造高维到低维的数据映射。
2015-05-25 18:20:12 665
原创 svd矩阵奇异值分解
matlab svd: s = svd(X) [U,S,V] = svd(X) [U,S,V] = svd(X,0) [U,S,V] = svd(X,'econ') s为 奇异值矩阵; u为 XXt 的对应特征向量; v为 XtX 的对应特征向量。 SVD的第一个作用之低秩近似(Low Rank Approximation): 如果我们只保留前k个最大的奇异值,前k
2015-05-25 18:16:23 1436
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