矩阵分解(matrix factorization)
2017-03-28 22:59
190 查看
1. 基本概念
针对高维空间中的数据集,矩阵分解通过寻找到一组基及每一个数据点在该基向量下的表示,可对原始高维空间中的数据集进行压缩表示。令 X=[x1,⋯,xm]∈Rm×n 为数据矩阵,矩阵分解的数学含义即为,找到如下的两个矩阵(U∈Rm×k,A∈Rk×n),其矩阵乘法可实现对原始数据集的最优逼近:
X≈U⋅A
U∈Rm×k,U 中的每一列(共 k列)可视为对该高维数据集空间中的基向量;
A∈Rk×n:A 中的每一列(共 n 列)可视为每一个样本在基向量下的线性表示(k 维表示);
从这一角度来看,矩阵分解可视为 m→k 的降维算法。
矩阵分解可进一步定义为如下的优化问题:
minU,A∥X−UA∥2F
相关文章推荐
- 矩阵分解
- 矩阵分解(MATRIX FACTORIZATION)在推荐系统中的应用
- 矩阵分解模型
- 矩阵分解笔记(Notes on Matrix Factorization)
- 【Scikit-Learn 中文文档】分解成分中的信号(矩阵分解问题) - 无监督学习 - 用户指南 | ApacheCN
- 矩阵分解
- 什么是特征向量,特征值,矩阵分解 分类: 杂文 2014-12-11 15:14 83人阅读 评论(0) 收藏
- 矩阵分解在推荐系统中的应用:NMF和经典SVD实战
- 《机器学习技法》学习笔记15——矩阵分解
- 【Scikit-Learn 中文文档】分解成分中的信号(矩阵分解问题) - 无监督学习 - 用户指南 | ApacheCN
- 矩阵分解大全
- 矩阵分解在推荐系统中的应用
- 矩阵分解的推荐算法入门-好好看
- 矩阵分解(MF,SVD)和协同过滤(CF)
- 【Scikit-Learn 中文文档】分解成分中的信号(矩阵分解问题) - 无监督学习 - 用户指南 | ApacheCN
- 矩阵分解
- 矩阵分解
- 矩阵分解(MATRIX FACTORIZATION)在推荐系统中的应用
- 矩阵分解(MF)方法及代码
- 【Scikit-Learn 中文文档】分解成分中的信号(矩阵分解问题) - 无监督学习 - 用户指南 | ApacheCN