以为降维是很多认知(广义的分类)问题的最终目的,现流行的推荐系统大多数都在做降维工作,Matrix factorization是足够简洁华丽的降维方法
Information-theoretical label embeddings for large-scale image classification
足够引人注意的NMF,任意非负矩阵在非负约束下的分解
主要思想为被分解矩阵是单个分解矩阵逐列列向量与另一矩阵相乘加权和
>> X为待分解矩阵,B和H为输出 max_iterater
初始化B(约束其每一列为归一化向量)和H
for i in range(max_iterater):
1.更新H一行
H(i,j)=H(i,j)*(B'*X)(i,j)/(B'*B*H)(i,j)
2. 更新B一行
B(k,j)=B(k,j)*(X*H')(k,j)/(B*H*H')(k,j)