Questions tagged «svd»

我正在尝试手工制作SVD： m<-matrix(c(1,0,1,2,1,1,1,0,0),byrow=TRUE,nrow=3) U=eigen(m%*%t(m))$vector V=eigen(t(m)%*%m)$vector D=sqrt(diag(eigen(m%*%t(m))$values)) U1=svd(m)$u V1=svd(m)$v D1=diag(svd(m)$d) U1%*%D1%*%t(V1) U%*%D%*%t(V) 但是最后一行不会返回m。为什么？似乎与这些特征向量的迹象有关...还是我误解了该过程？

9 r  svd  eigenvalues 

我的问题通常是关于奇异值分解（SVD），尤其是关于潜在语义索引（LSI）。 假设我有一个，其中包含7个文档中5个单词的频率。Aword×documentAword×document A_{word \times document} A = matrix(data=c(2,0,8,6,0,3,1, 1,6,0,1,7,0,1, 5,0,7,4,0,5,6, 7,0,8,5,0,8,5, 0,10,0,0,7,0,0), ncol=7, byrow=TRUE) rownames(A) <- c('doctor','car','nurse','hospital','wheel') 我得到的矩阵分解通过使用SVD：。AAAA=U⋅D⋅VTA=U⋅D⋅VTA = U \cdot D \cdot V^T s = svd(A) D = diag(s$d) # singular value matrix S = diag(s$d^0.5 ) # diag matrix with square roots of singular values. 在1和2中指出： WordSim=U⋅SWordSim=U⋅SWordSim = …

9 r  svd  natural-language  latent-semantic-indexing 

在pLSA的原始论文中，作者Thomas Hoffman在pLSA和LSA数据结构之间画了一条相似的线，我想与您讨论一下。 背景： 从信息检索中获得启发，假设我们有一个 ññN 单据 D = {d1个，d2，。。。。，dñ}d={d1个，d2，。。。。，dñ}D = \lbrace d_1, d_2, ...., d_N \rbrace 和一个词汇 中号中号M 条款 Ω = {ω1个，ω2，。。。，ω中号}Ω={ω1个，ω2，。。。，ω中号}\Omega = \lbrace \omega_1, \omega_2, ..., \omega_M \rbrace 一个语料库 XXX 可以用 ñ× Mñ×中号N \times M 共生矩阵。 在SVD的潜在语义Analisys中，矩阵XXX 被分为三个矩阵： X= UΣVŤX=üΣVŤX = U \Sigma V^T 哪里 Σ = d我一个克{σ1个，。。。，σs}Σ=d一世一个G{σ1个，。。。，σs}\Sigma = …

9 machine-learning  conditional-probability  svd  information-retrieval  lsa 

我不明白为什么缩小尺寸很重要。取得一些数据并缩小其维度有什么好处？

9 dimensionality-reduction  svd 

为了更好地理解数据的结构，我同时执行了SVD分解和6维数据矩阵的多维缩放。 不幸的是，所有奇异值都具有相同的阶数，这意味着数据的维数确实为6。但是，我希望能够解释奇异矢量的值。例如，第一个似乎在每个维度上都差不多相等（即(1,1,1,1,1,1)），第二个也有有趣的结构（类似(1,-1,1,-1,-1,1)）。 我如何解释这些向量？您能指出一些有关该主题的文献吗？

9 pca  interpretation  dimensionality-reduction  svd