机器学习实战 --- 利用SVD简化数据

本文主要是介绍机器学习实战 --- 利用SVD简化数据，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

SVD概述：奇异值分解（SVD， Singular Value Decomposition）:

        提取信息的一种方法，可以把SVD看成是从噪声中抽取相关的特征。从生物信息学到金融学， SVD是是提取信息的巨大工具。

 

SVD场景：

    信息检索 - 隐形语义索引（Lstent Semantic Indexing, LSI）或隐形语义分析（LSA）。

 

隐形语义索引： 矩阵 = 文档 + 词语

• 是最早的SVD应用之一，我们称利用SVD的方法为隐形语义索引（LSI）或隐形语义分析（LSA）。

 

 

推荐系统：

1.利用SVD从数据中构建一个主题空间

2.再在该空间下计算其相似度。（从高维-低纬空间的转化，在低维空间计算相似度，SVD提升了推荐系统的效率。）

 

 

 

SVD原理：

 

SVD工作原理

|-矩阵分解

• 矩阵分解是将数据矩阵分解为多个独立部分的过程

• 矩阵分解可以将原始矩阵表示成新的矩阵的处理方式，这种新形式是两个或者多个矩阵的乘积。（类似代数中的因式分解）

  </

这篇关于机器学习实战 --- 利用SVD简化数据的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---