关于对机器学习中稀疏矩阵的认识

稀疏矩阵：0 多
稠密矩阵：0 少，非0 多

稀疏矩阵

如果矩阵中的许多系数都为零，那么该矩阵就是稀疏的。对稀疏现象有兴趣是因为它的开发可以带来巨大的计算节省，并且在许多大的实践中都会出现矩阵稀疏的问题。

• 矩阵的稀疏性可以用一个得分来量化，也就是矩阵中零值的个数除以矩阵中元素的总个数。

sparsity = count zero elements / total elements

稀疏矩阵的问题

• 稀疏矩阵会导致空间复杂度和时间复杂度的问题。

  空间复杂度

• 非常大的矩阵需要大量的内存，而我们想要处理的一些非常大的矩阵是稀疏的

  时间复杂度

• 假设一个非常大的稀疏矩阵可以适应内存，我们将需要对这个矩阵执行操作。

• 原因：大部分时间需要计算零值的相加或相乘

机器学习中的稀疏矩阵

稀疏矩阵在某些特定类型的数据中出现，最值得注意的是记录活动的发生或计数的观察。

数据

三个例子包括:

1. 用户是否在一个电影目录中有曾经看过的电影。
2. 用户是否在一个产品目录中有已经购买过的产品。
3. 在一个歌曲目录中数出收听过的歌曲的数量

数据准备

在准备数据时，稀疏矩阵会出现在编码方案中。
三个例子：</