![](https://img-blog.csdnimg.cn/20201014180756923.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习
usualheart
这个作者很懒,什么都没留下…
展开
-
奇异值分解在机器学习的应用:PCA主成分分析、潜在语义分析LSA
本身是一种线性变换,假设样本矩阵X 主成分分析归结于求协方差矩阵Sx的特征值和对应的单位特征向量==>奇异值分解。非负矩阵分解相当于利用梯度下降+损失函数尽可能缩小X和WH的差异,进而实现W H的近似求解。潜在语义分析是将文本在单词向量空间的表示通过线性变换转换为在话题向量空间中的表示。话题相当于文本信息的一种稀疏表达。话题文本矩阵相当于单词-文本矩阵的降维表示。pca认为方差代表了信息含量,方差越大 信息越多。单词-文本矩阵==>话题文本矩阵。潜在语义分析LSA–非负矩阵分解。《统计学习方法》笔记。原创 2023-07-03 22:28:52 · 136 阅读 · 1 评论 -
Coursera吴恩达机器学习课程笔记第一周——机器学习介绍和matlab的优点
周 1 Introduction 2019年7月23日 视频:Unsupervised Learning 使用机器学习方法 可以非常简单地通过无监督聚类分离出两个人的说话声音、人和音乐的声音; 为什么使用Octave软件或者mtlab软件? 可以快速地实现某一个算法,而不需要编写大量的代码(如果使用C++或者java 很多简单的算法需要写非常多的代码) 一般使用Octave或者matlab之类的软件快速开发出算法原型,确定可以使用的时候才会迁移到其他的编译环境(把比如c或者java)。事实上,这样做的效率要原创 2020-07-17 11:09:34 · 313 阅读 · 0 评论