云南龙网

  1. 首页 > 云知道 > >

非负矩阵分解,Cholesky分解( 三 )

云知道Cholesky


7. 文本挖掘的概率方法：有许多种概率技术，包括无监督主题模型（如概率潜在语义分析模型（pLSA） [64] 与文档主题生成模型（LDA）[16]）和监督学习方法（如可在文本挖掘语境中使用的条件随机场）[83] 。8. 文本流与社交媒体挖掘：网络上存在许多不同的应用程序，它们可以生成大量的文本数据流 。9. 观点挖掘与情感分析：随着电子商务和网络购物的问世，产生了大量的文本，并在不同的产品评论或用户意见上不断增长 。
机器学习中有哪些线性代数实例？

非负矩阵分解,Cholesky分解


线性代数是数学的分支学科，涉及矢量、矩阵和线性变换 。它是机器学习的重要基础，从描述算法操作的符号到代码中算法的实现，都属于该学科的研究范围 。虽然线性代数是机器学习领域不可或缺的一部分，但二者的紧密关系往往无法解释，或只能用抽象概念（如向量空间或特定矩阵运算）解释 。在这篇文章中，我们将使用 10 个常见机器学习案例，这些案例需要用线性代数才能得到最好的理解 。
阅读这篇文章后，你将会了解到：如何在处理数据时使用线性代数结构，如表格数据集和图像 。数据准备过程中用到的线性代数概念，例如 one-hot 编码和降维 。深度学习、自然语言处理和推荐系统等子领域中线性代数符号和方法的深入使用 。让我们开始吧 。综述这 10 个机器学习案例分别是：1. 数据集和数据文件2. 图像和照片3. 编码4. 线性回归5. 正则化6. 主成分分析7. 奇异值分解8. 潜在语义分析9. 推荐系统10.深度学习1. 数据集和数据文件在机器学习中，你可以在数据集上拟合一个模型 。
这是表格式的一组数字，其中每行代表一组观察值，每列代表观测的一个特征 。例如，下面这组数据是鸢尾花数据集的一部分数据集地址：http://archive.ics.uci.edu/ml/datasets/Iris5.1,3.5,1.4,0.2,Iris-setosa4.9,3.0,1.4,0.2,Iris-setosa4.7,3.2,1.3,0.2,Iris-setosa4.6,3.1,1.5,0.2,Iris-setosa5.0,3.6,1.4,0.2,Iris-setosa这些数据实际上是一个矩阵：线性代数中的一个关键数据结构 。
接下来，将数据分解为输入数据和输出数据，使之适用于一个受监督的机器学习模型（如测量值和花卉品种），得到矩阵（X）和矢量（y） 。矢量是线性代数中的另一个关键数据结构 。每行长度相同，即每行的数据个数相同，因此我们可以说数据是矢量化的 。这些行数据可以一次性或成批地提供给模型，并且可以预先配置模型，以得到固定宽度的行数据 。
2. 图像和照片也许您更习惯于在计算机视觉应用中处理图像或照片 。您使用的每个图像本身都是一个表格结构，每个单元格都有一个固定宽度和高度以及用于表示黑白图像的 1 个像素值或表示彩色图像的 3 个像素值 。照片也是线性代数矩阵的一种 。与图像相关的操作，如裁剪，缩放，剪切等，都是使用线性代数的符号和操作来描述的 。
3. 一位有效编码有时机器学习中要用到分类数据 。可能是用于解决分类问题的分类标签，也可能是分类输入变量 。对分类变量进行编码以使它们更易于使用并通过某些技术进行学习是很常见的 。一位有效编码是一种常见的分类变量编码 。一位有效编码可以理解为：创建一个表格，以表示每个类别中一列的变量和数据集中每个例子的一行 。
在列中为给定行的分类值添加一个检查或「1」值，并将「0」值添加到所有其他列 。例如，共计 3 行的颜色变量：redgreenblue...这些变量可能被解码为：red, green, blue1, 0, 00, 1, 00, 0, 1...每一行都被编码为一个二进制矢量，一个被赋予「0」或「1」值的矢量 。

推荐阅读


上一篇：HT7050,datesheet

下一篇：学习软件开发要多久,41040102