«matrix-decomposition» etiketlenmiş sorular

Matris ayrıştırması, bir matrisi daha küçük matrislerin çarpımına ayırma sürecini ifade eder. Büyük bir matrisin ayrıştırılmasıyla, birçok matris algoritması verimli bir şekilde gerçekleştirilebilir.

1
Büyük, seyrek bir matris üzerinde boyutsallık azaltma (SVD veya PCA)
/ edit: Şimdi daha fazla takip irlba :: prcomp_irlba kullanabilirsiniz / edit: kendi gönderimde takip etmek. irlbaŞimdi, temel bileşenleri hesaplamak için kullanmanıza izin veren "merkez" ve "ölçek" argümanlarına sahiptir, örneğin: pc <- M %*% irlba(M, nv=5, nu=0, center=colMeans(M), right_only=TRUE)$v Büyük bir seyrek var Matrixben öğrenme algoritması bir makinede kullanmak istiyorum …

1
PCA ile elde edilen düşük dereceli yaklaşım matrisi ile rekonstrüksiyon hatasının hangi normları minimize edilmiştir?
Matris bir PCA (veya SVD) yaklaşımı göz önüne alındığında ile bir matris , bunu biliyoruz en düşük rütbe tahmindir .XXXX^X^\hat XX^X^\hat XXXX Bu indüklenen normuna∥ ⋅ ∥2∥⋅∥2\parallel \cdot \parallel_2 (yani en büyük özdeğer normu) veya Frobenius normuna göre mi?∥ ⋅ ∥F∥⋅∥F\parallel \cdot \parallel_F

2
Neden verilerin PCA'sı SVD aracılığıyla?
Bu soru ana bileşenleri hesaplamanın etkili bir yoludur. Doğrusal PCA ile ilgili birçok metin, casewise verilerinin tekil değer ayrışımını kullanarak savunur . Veri varsa kendisine, ve değişkenler (kendi değiştirmek istiyor sütun temel bileşenler), yaptığımız SVD: X = U S V ' (. Kare özdeğerler kökleri), tekil değerler ana çapını işgal …

1
R de ters matrisin verimli hesaplanması
Ters matris hesaplamam gerekiyor ve solvefonksiyon kullanıyordum . Küçük matrislerde iyi çalışsa da, solvebüyük matrislerde çok yavaş olma eğilimindedir. Bana daha hızlı sonuç verebilecek başka bir fonksiyon veya fonksiyon kombinasyonlarının (SVD, QR, LU veya diğer ayrışma fonksiyonları aracılığıyla) olup olmadığını merak ediyordum.

5
Matris ayrışımı ile ilgili temel makaleler
Kısa bir süre önce Skillicorn'un matris ayrışmaları hakkındaki kitabını okudum ve bir lisans izleyicisini hedef aldığı için biraz hayal kırıklığına uğradım. Matris ayrışmaları hakkında (kendim ve başkaları için) temel makalelerden kısa bir kaynakça (anketler, ancak atılım kağıtları) derlemek istiyorum. Aklımda olan şey, SVD / PCA (ve sağlam / seyrek varyantlar) …

1
Matrise yeni bir satır ekledikten sonra SVD ayrışmasını güncelleme
SVD ayrışması A = U S V with olan m × n boyutunda yoğun bir matrisine sahip olduğumu varsayalım .AA \textbf{A}m×nm×nm \times nA=USV⊤.A=USV⊤.\mathbf{A}=\mathbf{USV}^\top.In Rben SVD hesaplayabilirsiniz şöyle: svd(A). A'ya yeni satır eklenirse , SVD'yi sıfırdan yeniden hesaplamaksızın eski SVD ayrışmasını eskisine göre (yani U , S ve V kullanarak ) …

3
Negatif olmayan matris çarpanlarına ayırmada optimum sayıda gizli faktör nasıl seçilir?
Bir matris verilen Vm × nVm×n\mathbf V^{m \times n} , negatif olmayan matris çarpanlara (NMF), iki negatif olmayan matrisleri bulur Wm × kWm×k\mathbf W^{m \times k} ve 'Hk × nHk×n\mathbf H^{k \times n} (yani, tüm elemanları ile ≥ 0≥0\ge 0 ) halinde dekompoze olmuş matrisi temsil etmek: V ≈ G …


2
R'deki özdeğerlerden ve özvektörlerden bir elips nasıl çizilir? [kapalı]
Kapalı. Bu soru konu dışı . Şu anda cevapları kabul etmiyor. Bu soruyu geliştirmek ister misiniz? Sorunuzu güncelleyin o yüzden -konu üzerinde Çapraz doğrulanmış için. 2 yıl önce kapalı . Birisi aşağıdaki matrisin 'nin özdeğerlerinden ve özvektörlerinden bir elips çizmek için R kodu ile gelebilir mi?A = ( 2,20.40.42.8)bir=(2.20.40.42.8) \mathbf{A} …

1
"Öz" ün bir matrisin tersine çevrilmesine nasıl yardımcı olduğunu açıklayın
Benim sorum geoR:::.negloglik.GRFveya içinde kullanılan bir hesaplama tekniği ile ilgili geoR:::solve.geoR. Doğrusal karışık model kurulumunda: burada β ve b sırasıyla sabit ve rastgele etkilerdir. Ayrıca, Σ = cov ( Y )Y=Xβ+Zb+eY=Xβ+Zb+e Y=X\beta+Zb+e ββ\betabbbΣ=cov(Y)Σ=cov(Y)\Sigma=\text{cov}(Y) Etkileri tahmin ederken , normalde böyle bir şey kullanılarak yapılabilen hesaplanması gerekir , ancak bazen ( X …

1
İşbirlikçi Filtrelemede Son Teknoloji
Kısmen gözlenen bir matrisi veya daha genel olarak tensörü tamamlamak için işbirlikçi filtreleme (CF) projesi üzerinde çalışıyorum. Sahaya yeni başlayan biriyim ve bu proje için sonunda yöntemimizi, günümüzde, CF'de son teknoloji olan önerilen yöntemlerin kendileriyle karşılaştırıldığı bilinen diğer yöntemlerle karşılaştırmam gerekiyor. Araştırmam aşağıdaki yöntemleri ortaya çıkardı. Gerçekten de, bu makalelerin …

1
Olumsuzluk, işbirlikçi filtreleme / tavsiye sistemleri için neden önemlidir?
Matris çarpanlarına bağlı olduğunu gördüğüm tüm modern tavsiye sistemlerinde, kullanıcı-film matrisi üzerinde negatif olmayan bir matris çarpanına ayrılmıştır. Olumsuzluğun yorumlanabilirlik için ve / veya seyrek faktörler istiyorsanız neden önemli olduğunu anlayabiliyorum. Ancak sadece netflix ödül yarışmasında olduğu gibi sadece tahmin performansını önemsiyorsanız, neden olumsuzluk kısıtlamasını dayatmalısınız? Faktorizasyonunuzda da negatif değerlere …

1
R / mgcv: te () ve ti () tensör ürünleri neden farklı yüzeyler üretir?
mgcvİçin paket Rtensör ürün etkileşimleri uydurma için iki işlevi vardır: te()ve ti(). İkisi arasındaki temel işbölümünü anlıyorum (doğrusal olmayan bir etkileşime uymak ve bu etkileşimi ana etkilere ve etkileşime ayırmak). Anlamadığım şey neden te(x1, x2)ve ti(x1) + ti(x2) + ti(x1, x2)(biraz) farklı sonuçlar üretebilir. MWE (uyarlanmıştır ?ti): require(mgcv) test1 <- …
11 r  gam  mgcv  conditional-probability  mixed-model  references  bayesian  estimation  conditional-probability  machine-learning  optimization  gradient-descent  r  hypothesis-testing  wilcoxon-mann-whitney  time-series  bayesian  inference  change-point  time-series  anova  repeated-measures  statistical-significance  bayesian  contingency-tables  regression  prediction  quantiles  classification  auc  k-means  scikit-learn  regression  spatial  circular-statistics  t-test  effect-size  cohens-d  r  cross-validation  feature-selection  caret  machine-learning  modeling  python  optimization  frequentist  correlation  sample-size  normalization  group-differences  heteroscedasticity  independence  generalized-least-squares  lme4-nlme  references  mcmc  metropolis-hastings  optimization  r  logistic  feature-selection  separation  clustering  k-means  normal-distribution  gaussian-mixture  kullback-leibler  java  spark-mllib  data-visualization  categorical-data  barplot  hypothesis-testing  statistical-significance  chi-squared  type-i-and-ii-errors  pca  scikit-learn  conditional-expectation  statistical-significance  meta-analysis  intuition  r  time-series  multivariate-analysis  garch  machine-learning  classification  data-mining  missing-data  cart  regression  cross-validation  matrix-decomposition  categorical-data  repeated-measures  chi-squared  assumptions  contingency-tables  prediction  binary-data  trend  test-for-trend  matrix-inverse  anova  categorical-data  regression-coefficients  standard-error  r  distributions  exponential  interarrival-time  copula  log-likelihood  time-series  forecasting  prediction-interval  mean  standard-error  meta-analysis  meta-regression  network-meta-analysis  systematic-review  normal-distribution  multiple-regression  generalized-linear-model  poisson-distribution  poisson-regression  r  sas  cohens-kappa 

1
Düşük seviyeli lineer sistemin hızlı hesaplanması / tahmini
Doğrusal denklem sistemleri, hesaplama istatistiklerinde yaygındır. Karşılaştığım özel bir sistem (örneğin, faktör analizinde) sistemdir A x = bbirx=bAx=b burada Burada D , kesinlikle pozitif bir diyagonal olan bir n × n diyagonal matristir, Ω bir m × m ( m ≪ n ile ) simetrik pozitif yarı tanımlanmış matristir ve …

2
Lojistik kayıp fonksiyonu ile matris çarpanlarına ayırma yoluyla birlikte filtreleme
Ortak filtreleme sorununu düşünün. Biz matris var boyutu kullanıcıların sayısı * #items arasında. kullanıcı i madde j hoşlanıyorsa, kullanıcı i madde j ve sevmerse(i, j) çifti hakkında veri yoksa. İlerideki kullanıcı, öğe çiftleri için öngörmek istiyoruz .MMMMi , j,= 1Mben,j=1M_{i,j} = 1Mi , j,= 0Mben,j=0M_{i,j} = 0Mi , j,= ?Mben,j=?M_{i,j}=?Mi …

Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.