本文介绍了核范数的概念，作为低秩约束的凸近似，用于矩阵填充、鲁棒PCA、背景建模和TILT等场景。核范数在推荐系统中用于矩阵填充，解决数据缺失问题。鲁棒PCA处理含有噪声的数据，分离低秩结构和稀疏噪声。背景建模利用低秩特性区分视频背景和前景。规则化参数λ的选取至关重要，平衡模型训练误差和约束项，影响模型泛化能力。
前言
参见上一篇博文，我们聊到了L0，L1和L2范数，这篇我们絮叨絮叨下核范数和规则项参数选择。知识有限，以下都是我一些浅显的看法，如果理解存在错误，希望大家不吝指正。谢谢。
机器学习算法源码全解析（二）-范数规则化之L0、L1与L2范数
https://wenyusuran.blog.csdn.net/article/details/25868893
三、核范数
核范数||W||*是指矩阵奇异值的和，英文称呼叫Nuclear Norm。这个相对于上面火热的L1和L2来说，可能大家就会陌生点。那它是干嘛用的呢？霸气登场：约束Low-Rank（低秩）。OK，OK，那我们得知道Low-Rank是啥？用来干啥的？
我们先来回忆下线性代数里面“秩”到底是啥？举个简单的例子吧：
对上面的线性方
订阅专栏 解锁全文
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
