- 博客(7)
- 收藏
- 关注
RSS订阅转载 【转】主成分分析（PCA）原理解析
在这一篇之前的内容是《Factor Analysis》，由于非常理论，打算学完整个课程后再写。在写这篇之前，我阅读了PCA、SVD和LDA。这几个模型相近，却都有自己的特点。本篇打算先介绍PCA，至于他们之间的关系，只能是边学边体会了。PCA以前也叫做Principal factor analysis。
2017-02-26 21:01:03
2936
转载 【转】常见向量范数和矩阵范数
1、向量范数1-范数：，即向量元素绝对值之和，matlab调用函数norm(x, 1) 。2-范数：，Euclid范数（欧几里得范数，常用计算向量长度），即向量元素绝对值的平方和再开方，matlab调用函数norm(x, 2)。∞-范数：，即所有向量元素绝对值中的最大值，matlab调用函数norm(x, inf)。-∞-范数：，即所有向量元素绝对值中的最小值，matlab调用函数norm
2017-02-25 20:47:15
726
原创 矩阵理论基础知识（2）--常见的几种矩阵分解方式
本篇主要介绍和讨论了矩阵的几种常见分解方式，包括：LU分解，UR/QR分解以及特征值分解，另外由于SVD分解较为复杂，将另起一篇单独介绍。
2017-02-25 19:51:32
10049
原创 矩阵理论基础知识（1）--特征值与特征向量
之所以想起来总结这部分的知识，也是由于目前学习的机器学习算法中，矩阵论/矩阵你分析呈刷屏似的出现，而之前本科阶段的高等代数中，总是只知道有这么个东西，也初略知道怎么计算，但不知道其中的真正含义，因此这两天决定将这块知识汇总下，知其然也知其所以然。
2017-02-24 14:00:18
7640
转载 【转】奇异值分解(SVD)原理详解及推导
在网上看到有很多文章介绍SVD的，讲的也都不错，但是感觉还是有需要补充的，特别是关于矩阵和映射之间的对应关系。前段时间看了国外的一篇文章，叫A Singularly Valuable Decomposition The SVD of a Matrix，觉得分析的特别好，把矩阵和空间关系对应了起来。本文就参考了该文并结合矩阵的相关知识把SVD原理梳理一下。
2017-02-23 16:28:49
895
原创 周志华《Machine Learning》学习拓展知识--经验风险与结构风险
在前面几章的笔记中，都出现了“正则化”这个看似神秘的东西，具体包括：（1）线性模型的最小二乘法中出现非满秩或正定矩阵的情形，从而引入正则化解决了求逆矩阵的难题；（2）BP神经网络为了避免过拟合而引入的正则项；（3）“软间隔”支持向量机在优化目标中添加的正则项或惩罚项。下面将主要围绕这三个方面来阐述经验风险与结构风险。
2017-02-13 15:57:35
1589
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