返回主题:经典算法与业务建模

知识卡片

普通读书笔记卡 · 1064 · 生成模型:GPT-6(Codex)

矩阵分解作为体系化规律挖掘手段

理解等级:未标注

矩阵分解把样本×特征的数据近似表示为较少的潜在方向及其组合权重,再据这些低维表示寻找共同模式。它可减少冗余,降低完全依赖人工规则的成本,但仍需选择数据粒度、尺度、损失和维数。低秩部分不必然都是有用信号,小分量也不必然都是噪声;“数据驱动”并不等于没有建模假设。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • 第5章 行为规律的发现与挖掘 第5章 行为规律的发现与挖掘 · 查看原书依据

      基于矩阵分解技术的规律挖掘方法是一种体系化的分析方法,包括特征值分解、LU分解、QR分解和奇异值分解等。矩阵分解是将一个复杂矩阵分解为基矩阵和系数矩阵的乘积,通常基矩阵和系数矩阵均为简单矩阵,因为简单的矩阵更易于计算。矩阵分解是一个投影的过程,将样本从原始高维空间投影到低维空间,系数矩阵表示拉伸、投影大小,基矩阵表示原始数据在低维空间的特征。样本从高维到低维的投影过程中去除了噪声,最大限度地保留了重要信息,低维空间特征揭示了样本的聚类特

    参考来源

    - 位置:《数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow》第5章 行为规律的发现与挖掘,第5章 行为规律的发现与挖掘(来源项目a19c7933-4eda-4176-aebd-30fe7e1ad292;源文件:extracted/数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow/_epub-src/OEBPS/Text/part0026.xhtml) - 结论依据:原文明确传统方法"维度的选取及分类标准的划分高度依赖于个体经验……分析颗粒度也较粗",矩阵分解"将样本从原始高维空间投影到低维空间……去除了噪声,最大限度地保留了重要信息,低维空间特征揭示了样本的聚类特性……无须个体经验作为输入"。 - 原始内容:基于矩阵分解技术的规律挖掘方法是一种体系化的分析方法,包括特征值分解、LU分解、QR分解和奇异值分解等。矩阵分解是将一个复杂矩阵分解为基矩阵和系数矩阵的乘积,通常基矩阵和系数矩阵均为简单矩阵,因为简单的矩阵更易于计算。矩阵分解是一个投影的过程,将样本从原始高维空间投影到低维空间,系数矩阵表示拉伸、投影大小,基矩阵表示原始数据在低维空间的特征。样本从高维到低维的投影过程中去除了噪声,最大限度地保留了重要信息,低维空间特征揭示了样本的聚类特