机器学习基础-学习笔记 矩阵论
2017-08-11 00:21
363 查看
矩阵论
矩阵表示
在实数域上,大小为n*m的矩阵的集合可以表示为:M(Rn∗m=A:A∈Rn∗m)
因此,(M(Rn∗m),R)) 可作为线性空间,他们的距离distance(A, B) 满足非负性,对称性和三角不等式性。
范式
奇异值通常,可以通过定义范式的形式来诱导距离,常用的范数有: ∀A∈M(Rn∗m)
||A||1=max{∑i=1n|Ai,1|,∑i=1n|Ai,2|,⋯,∑i=1n|Ai,m|}
||A||2=A的最大奇异值
||A||F=(∑i=1n∑j=1m(A2i,j)12)
||A||∞=max{∑j=1m|A1,j|,∑j=1m|A2,j|,⋯,∑j=1m|An,j|}
||A||1,2=∑i=1n(∑j=1m(Ai,j)2)12
||A||2,1=(∑i=1n(∑j=1m|Ai,j|)2)12
在实际的信号处理过程中,无论是构建损失项还是正则项,每一种范数都有其特定的物理意义,反映着数据的分布类型,或者蕴含着数据的先验特性。
通过范式诱导得到距离(距离空间),进而得到临近关系(邻域特性),根据这种关系就可以将线性空间(非线性变换可以通过线性变换的逼近来得到)进行剖分,当然剖分的子空间个数取决于邻域的半径。
矩阵的倒数的求解通常在机器学习中较为常用,如参数更新时所依赖的梯度的计算等。
假设对于输入信号x,输出信号y,之间的线性映射关系为
f(X)≜A⋅x+b≈y
其中A为投影矩阵,b为偏置项(其中A和b都可以为矩阵)。通常利用L2 范数来定义损失函数。
Loss(x,y)=12||A⋅x+b−y||22
其中待学习的参数为(A,b)。
过拟合现象
指数据样本量相比参数量而言较多,导致训练得到的模型十分依赖于该数据集,使得该模型的测试性能或者预测性能比较差,即在另一个数据集上的表现较差(需要说明的是这二个数据集的分布方式相同)。矩阵的奇异值分解
对于任意一个矩阵A∈Rn∗m,都有如下的表达式。A=U⋅∑⋅VT
UT⋅U=In
V⋅VT=Im
其中, ∑ 为对角矩阵,且 U∈Rn∗m 和 V∈Rn∗m。
主成分分析
用到了矩阵的奇异值分解,通过奇异值的排序和信息利用率达到85%以上的准则确定主成分的个数。通常,主成分分析是一种线性的降低纬度的方法。使用矩阵的奇异值分解的核心是逼近的思想,可以通过调整对角矩阵 ∑ 中的值来实现对矩阵A的刻画。
相关文章推荐
- 斯坦福大学机器学习笔记——机器学习基础以及有监督学习和无监督学习举例说明
- Coursera台大机器学习基础课程学习笔记2 -- 机器学习的分类
- 【ML学习笔记】1:机器学习中的数学基础1(方向导数,梯度,下凸函数)
- 机器学习深度学习基础笔记(1)——基础理论
- 机器学习深度学习基础笔记(4)——Backpropagation算法实现
- Coursera台大机器学习基础课程学习笔记1 -- 机器学习定义及PLA算法
- 干货|机器学习零基础?不要怕,吴恩达机器学习课程笔记2-多元线性回归
- 机器学习实战笔记 - 机器学习基础
- Coursera台大机器学习基础课程学习笔记1 -- 机器学习定义及PLA算法
- 【ML学习笔记】4:机器学习中的数学基础4(线性变换的矩阵描述)
- 机器学习基础学习笔记-总体概论(原创)
- Coursera台大机器学习基础课程学习笔记1 -- 机器学习定义及PLA算法
- Coursera台大机器学习基础课程学习笔记1 -- 机器学习定义及PLA算法
- Coursera台大机器学习基础课程学习笔记2 -- 机器学习的分类
- 【ML学习笔记】10:机器学习中的数学基础7(张集,秩,维度,行阶梯形)
- 机器学习基础知识-神经网络与深度学习学习笔记(二)
- 机器学习基础-学习笔记 优化分析(一)
- 机器学习基础-学习笔记 优化分析(二)
- 【ML学习笔记】6:机器学习中的数学基础6(对角矩阵,对称矩阵,正交矩阵,特征分解)
- 机器学习实战(Machine Learning in Action)笔记--Chapter1:机器学习基础