ML之DR之SVD：SVD算法相关论文、算法过程、代码实现、案例应用之详细攻略

2024-05-04 16:05:39

ML之DR之SVD：SVD算法相关论文、算法过程、代码实现、案例应用之详细攻略

目录

SVD算法相关论文

SVD算法过程

1、公式的推导

2、SVD算法两步过程

SVD代码实现

SVD的案例应用

1、SVD的推荐案例

SVD算法相关论文

奇异值分解Singular Value Decomposition：简称SVD，特征分解的广义化，是一种提取特征信息的方法。

SVD算法过程

1、根据Andrew Gibiansky 写的关于 SVD 的文章中代码

http://andrew.gibiansky.com/blog/mathematics/cool-linear-algebra-singular-value-decomposition/

奇异值top不同个数的应用：可以发现，如果我们根据大小排序这些奇异值（矩阵 Σ 的值），那么前 50 个奇异值将包含整个矩阵 Σ 的大小的 85％。根据这个事实，我们可以丢弃后面的 250 个值（即将它们设为 0），仅保留这张小狗图像的「rank（秩）50」版本。值的数量差不多少了 5 倍，但质量却下降很少。上述计算的原因是当我们执行 UΣ'V 运算时，U 和 V 矩阵中的一部分因为乘 0 也被丢弃（其中 Σ' 是 Σ 的修改后版本，其中仅包含了前面的 30 个值）。

低秩矩阵的近似应用：图像压缩，其实80与原图相差不是很大。SVD中的奇异值的个数分别为1、10、80。

1、公式的推导

2、SVD算法两步过程

SVD代码实现

import numpy as np
def load_data():return [    [0,0,0,1,1],[0,0,0,2,2],[0,0,0,3,3],[4,4,4,0,0],[5,5,5,0,0],[6,6,6,0,0],[7,7,7,0,0]]
data = load_data()
u, sigma, vt = np.linalg.svd(data)   #Sigma是个矩阵，Python内部的机制，为了节省空间，因为它除了对角线都是0
print(sigma)#前两个值比后三个值大的多，所以可以取这两个奇异值，把其余三个置0。[1.94422221e+01 5.29150262e+00 1.86910323e-15 4.48702001e-168.62587679e-18]

SVD的案例应用

1、SVD的推荐案例

假定Ben、Tom、John、Fred对6种产品进行了评价，评分越高，代表对该产品越喜欢。0表示未评价。

1、进行SVD分解并提取前2个特征

(1)、产品矩阵的压缩、用户矩阵的压缩

2、利用SVD进行新用户的个性化推荐

思路：对于新用户，如何对其做个性化推荐呢？将A扩展后重新计算SVD，然后聚类用户？

(1)、假设有个Bob的新用户，对6个产品的评分为(5,5,0,0,0,5)T，通过上边的公式计算出Bob的特征点坐标。

(2)、通过计算Bob和现有用户的距离进行聚类：计算余弦距离(一定意义下即相关系数)，与其最近的是Ben，因此，可以给Bob推荐Ben喜欢的S5、S3。

ML之DR之SVD：SVD算法相关论文、算法过程、代码实现、案例应用之详细攻略相关推荐

CV之ICG：计算机视觉之图像标题生成(Image Caption Generator)算法的简介、使用方法、案例应用之详细攻略
CV之ICG:计算机视觉之图像标题生成(Image Caption Generator)算法的简介.使用方法.案例应用之详细攻略目录图像标题生成ICG算法的简介图像标题生成ICG算法的使用方法 ...
NLP之WE之CBOWSkip-Gram：CBOWSkip-Gram算法概念相关论文、原理配图、关键步骤之详细攻略
NLP之WE之CBOW&Skip-Gram:CBOW&Skip-Gram算法概念相关论文.原理配图.关键步骤之详细攻略目录 CBOW&Skip-Gram算法相关论文 CBOW ...
ML之FE：数据处理—特征工程的简介、使用方法、案例应用之详细攻略
ML之FE:数据处理-特征工程的简介.使用方法.案例应用之详细攻略目录特征工程的引入特征工程的简介特征工程的思路特征工程的关键步骤
CV之IS：计算机视觉之图像分割(Image Segmentation)/语义分割算法的简介、使用方法、案例应用之详细攻略
CV之IS:计算机视觉之图像分割(Image Segmentation)/语义分割算法的简介.使用方法.案例应用之详细攻略目录图像分割算法的简介 1.常用的数据集 2.图像分割的评价指标
ML之p-value：p-value/P值的简介、使用方法、案例应用之详细攻略
ML之p-value:p-value/P值的简介.使用方法.案例应用之详细攻略目录 p-value/P值的简介 1.p-value/P值的概述
DS之MDS：MDS(Multidimensional Scaling)多维尺度降维算法的简介、使用方法、案例应用之详细攻略
DS之MDS:MDS(Multidimensional Scaling)多维尺度降维算法的简介.使用方法.案例应用之详细攻略目录 MDS的简介 MDS(Multidimensional Scalin ...
ML之XGBoost：XGBoost算法模型(相关配图)的简介(XGBoost并行处理)、关键思路、代码实现(目标函数/评价函数)、安装、使用方法、案例应用之详细攻略
ML之XGBoost:XGBoost算法模型(相关配图)的简介.关键思路.代码实现(目标函数/评价函数).安装.使用方法.案例应用之详细攻略目录 XGBoost算法模型(相关配图)的简介 1.XGB ...
ML之GB：GB算法相关论文、相关思路、关键步骤、代码实现、配图集合、案例应用之详细攻略
ML之GB:GB算法相关论文.相关思路.关键步骤.代码实现.配图集合.案例应用之详细攻略目录 GB算法相关文献.论文 GB算法关键步骤 GB算法代码实现 GB案例应用 1.GB用于回归 2.GB用于 ...
ML之DT(树模型)：DT(树模型算法)算法的简介、代码定义、案例应用之详细攻略
ML之DT(树模型):DT(树模型算法)算法的简介.代码定义.案例应用之详细攻略目录树模型 1.A brief history of forests 2.树模型的复杂度 3.树模型的目标函数

最新文章

热门文章