知识卡片
稀疏近邻图改变谱计算对象
仅保留每行最相近的t个邻居可降低相似图存储与后续计算,但该操作可能破坏对称性或连通结构,需要重新约定对称化。保留重要边通常有帮助,却不能无条件保证聚类精度不降;t、相似度尺度和连通分量共同影响谱与最终类别。稀疏迭代求少量特征对也不必一律按稠密O(n³)估算。
这张卡片看不懂?
这张卡片的反馈已满 10 条,暂时无法继续提交。
已有反馈 · 0 / 10 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 机器学习:分布式算法 · 查看原书依据
在实际实现谱聚类的时候,因为矩阵S 往往非常巨大,其在计算时存储成本太高,所以为了减少存储需求,往往会将其改造为稀疏矩阵,即只保留部分矩阵数值而将大部分矩阵值过滤掉。一种常见的做法是对矩阵S 的第i 行数据,类似于KNN的做法,只保留和第i 个数据相似度最高的t 个。因为保留的都是最重要的数据,所以这样的稀疏矩阵可以在基本不降低算法精度的情况下大量减少对存储量的要求。
参考来源
- 位置:《大数据日知录:架构与算法》第16章《机器学习:分布式算法》,原文段落140,OEBPS/text00021.html。
- 结论依据:原书给出的机制、公式或算法与其适用范围;实验百分比和2014年系统状态不当作当前普遍保证。原文过度概括据第一手资料限定:[原始资料](https://arxiv.org/abs/0711.0189)。
- 原始内容:在实际实现谱聚类的时候,因为矩阵S 往往非常巨大,其在计算时存储成本太高,所以为了减少存储需求,往往会将其改造为稀疏矩阵,即只保留部分矩阵数值而将大部分矩阵值过滤掉。一种常见的做法是对矩阵S 的第i 行数据,类似于KNN的做法,只保留和第i 个数据相似度最高的t 个。因为保留的都是最重要的数据,所以这样的稀疏矩阵可以在基本不降低算法精度的情况下大量减少对存储量的要求。