- 博客(5)
- 资源 (4)
- 收藏
- 关注
RSS订阅转载 均方根值（RMS） 均方根误差（RMSE） 标准差（Standard Deviation）
1、均方根值（RMS）也称作为效值，它的计算方法是先平方、再平均、然后开方。2、均方根误差，它是观测值与真值偏差的平方和观测次数n比值的平方根，在实际测量中，观测次数n总是有限的，真值只能用最可信赖（最佳）值来代替.方根误差对一组测量中的特大或特小误差反映非常敏感，所以，均方根误差能够很好地反映出测量的精密度。均方根误差，当对某一量进行甚多次的测量时，取这一测量列真误差的均方根差(真误差平方的算术平
2015-02-09 08:15:35
169067
5
原创 RMSE 计算公式
Short script that calculates root mean square error from data vector or matrix and the corresponding estimates. Checks for NaNs in data and estimates and deletes them and then simply does: r = sqrt(
2015-02-09 08:08:58
30897
转载 SVD在推荐系统中的应用
SVD在推荐系统中的应用10 Sep 2012参考自：http://www.igvita.com/2007/01/15/svd-recommendation-system-in-ruby/其实说参考也不准确，准确地说应该是半翻译半学习笔记。仔细整理一遍，感觉还是收获很大的。线性代数相关知识：任意一个M*N的矩阵A（M行*N列，M>N），可以被写成三个矩阵的乘机：U：（M行M列的列正交矩阵）S：（
2015-02-06 20:10:34
485
转载 SVD
推荐系统相关算法：SVDSVD简介 假如要预测Zero君对一部电影M的评分，而手上只有Zero君对若干部电影的评分和风炎君对若干部电影的评分（包含M的评分）。那么能预测出Zero君对M的评分吗？答案显然是能。最简单的方法就是直接将预测分定为平均分。不过这时的准确度就难说了。本文将介绍一种比这个最简单的方法要准上许多，并且也不算复杂的算法。 SVD(Singular Value Deco
2015-02-06 16:24:39
529
转载 奇异值、奇异矩阵、SVD分解、正交矩阵(转载)
奇异值： 奇异值分解法是线性代数中一种重要的矩阵分解法，在信号处理、统计学等领域有重要应用。 定义：设A为m*n阶矩阵，A’表示A的转置矩阵，A’*A的n个特征值的非负平方根叫作A的奇异值。记为σi(A)。 如果把A‘*A的特征值记为λi(A‘*A)，则σi(A)＝sqrt(λi(A’*A))。 奇异矩阵： 奇异矩阵是线性代数的概念，就是对应的行列式等于0的矩阵。奇异矩阵的判断方法
2015-02-05 22:02:27
920
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人