矩阵填充学习(三)
介绍
上一篇文章学习了张量的Tucker分解的原理以及最小二乘求解方法,这篇文章将学习另一种张量分解的方法——平行因子分解(CP分解)
张量的平行因子分解
双线性模型
使用双线性模型将提取反映变量线性组合的因子,被提取的因子随后用于解释数据的基本信息内容。在数据分析中,给定二路数据矩阵 X ∈ K I × J X\in \mathbb{K}^{I\times J} X∈KI×J,二路双线性模型为 x i j = ∑ r = 1 R a i r b j r + e i j x^{ij}=\sum^R_{r=1}a_{ir}b_{jr}+e_{ij} xij=r=1∑Rairbjr+eij拟合二路数据矩阵的各个元素。各参数定义如下:
- x i j x_{ij} xij为 I × J I\times J I×J数据矩阵 X X X第 i i i行,第 j j j列元素。
- R R R为因子的个数。
- a i r a_{ir} air为“因子载荷”, b j r b_{jr} bjr为因子得分。
- e i j e_{ij} eij为数据 x i j x_{ij} xij的观察误差,是 I × J I\times J I×J误差矩阵 E E E的第 i i i行,第 j j j列元素。
若固定 b j r = β r b_{jr}=\beta_r bjr=βr为常数,则 x i j = ∑ r = 1 R β r a i r x^{ij}=\sum^R_{r=1}\beta_ra_{ir} xij=∑r=1Rβrair是因子 a i r a_{ir} air的线性模型,同理固定 a i r a_{ir} air也可得到 b j r b_{jr} bjr的线性模型。
定义因子载荷和因子得分向量分别为