- 博客(8)
- 收藏
- 关注
RSS订阅原创 python: AttributeError: ‘tuple‘ object has no attribute ‘xx‘
如果想要在Pycharm中执行此命令，需要把parser.parse_args()改成parser.parse_known_args()，改完之后可以打印出对象中的全部参数的默认取值（如果不特殊指定的话），更改命令之后print(args)可以得到如下输出。为了继续运行程序，将代码args= parser.parse_known_args()改为args,flags= parser.parse_known_args()但这个错误很奇怪，如果是在Anaconda的spyder中执行的话是没有报错的。
2023-04-17 16:20:10
7063
原创 概率矩阵分解
概率矩阵分解（probabilistic matrix factorization, PMF），一种推荐系统中的常用算法，假设有M个用户，N个物品，则用户对物品的偏好信息可以表示为一个偏好矩阵,概率矩阵分解旨在将偏好信息矩阵R分解为潜在的用户特征矩阵U和物品的特征矩阵V,首先定义在偏好信息上的条件分布：其中是一个指示矩阵，若用户i对物品j有偏好信息，则,否则为0；采用贝叶斯统计的思想，引入用户和物品各自的先验信息，假设用户服从正态分布,物品也服从一个正态分布,为了简单起见，令，即服从均值为0的正
2021-10-13 19:50:51
997
原创 网络嵌入（network embedding）
Definition：图嵌入，又称网络嵌入，是网络表征学习的一种方法，旨在用低维、稠密的向量空间表示高维、稀疏的向量空间，所学习道德特征可以用于分类、回归、聚类等机器学习任务。Remark: 稀疏指的是一个向量（空间）里面大部分元素都是0，只有少部分元素是非0的。这里介绍一种特殊的网络嵌入算法，称为 Accelerated Attributed Network Embedding （AANE），加速属性网络嵌入，详细细节见：Xiao Huang, Jundong Li, Xia Hu, 《 Acc.
2020-06-10 22:46:02
7794
原创 向量矩阵求导及部分证明
一、 证明：设x是一个n维列向量，记为,则同理可得 二、证明：设A是一个n维矩阵，,则有：同理可证得：三、证明： 四、证明：设,有:.同理有：五、证明：（法一）从定义出发证明：设是一个n维列向量，则是一个数，(法二)采用四中给出的公式：六、证明：设...
2019-09-17 17:34:25
1852
1
原创 多元回归——matlab，R与spss
多元回归（Multiple Regression）具体是指在相关变量中指定其中一个为因变量，其余一个或多个变量视为自变量，建立多个变量之间的线性或非线性数学模型。 其中，称为回归参数，我们的目的就是利用样本数据对这些参数做出估计，从而给出回归模型。在matlab中，与多元回归相...
2019-05-20 21:23:43
2289
原创 独立成分分析
一、定义独立成分分析：Independent Component Analysis给定随机变量的一组观测，其中t是时间或者样本标号，假设它们由独立成分线性混合产生：其中，A是某个未知矩阵。在我们只能观测到的情况下，独立成分分析就是要同时估计出矩阵A和。注意到在该模型中，我们假定独立成分的个数与观测变量的个数是相同的，但这只是一个简化假设，而不是必要的，该模型是可估的当且仅当各成分是非高斯的，这也是...
2018-05-23 22:03:46
8147
原创 盲源分离
一、未知信号的观测混合假定有3个源信号，同时有3个观测信号。把测量信号记为; 原始信号记为。这样，是的加权和，加权系数取决于源和传感器之间的距离：式中，是常值系数，表示混合的权重，它是未知的，源信号同样也是未知的，我们想要做的就是利用混合量找出原始信号，这就是盲源分离（BSS）问题。“盲”表示我们对原始信号知道的很少。不妨假设由组成的矩阵可逆，此时存在一个元素是的矩阵W使得我们可以利用它分离出源信...
2018-05-23 21:29:35
12955
2
原创 多元数据的线性表示
独立成分分析（Independent Component Analysis）是从多元（多维）统计数据中寻找其内在因子或成分的一种方法，与其他方法的区别在于它寻找的是既统计独立又非高斯的成分。假设数据由已经得到其观测的一组变量构成。记变量数目为m，观测数目为T，这样可以将数据记为xi（t），维数m和T可能非常大。该问题的一种非常通用的表述如下：从m维空间到n维空间的什么函数可以使变换后的变量能够凸显...
2018-05-23 21:02:19
581
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