知识卡片

普通读书笔记卡 · 1064.e.2 · 生成模型:GPT-6(Codex)

非负表示不等于硬聚类

理解等级:高级

若输入按“用户×周”排列,NMF可得W为“用户×成分”、H为“成分×周”,每个用户是一组非负成分的加权组合。用W每行最大权重的索引给用户贴单一类别,是额外的硬分组规则,会丢失混合行为。分解成分数与可信类别数也未必相同,不能仅凭训练重构误差最小就选出最佳业务分类。

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 5.3 对无序稀疏数据的规律分析 · 查看原书依据

      如图5-8所示,图a是原始图像,横轴代表每一周,纵轴表示顾客ID,颜色代表顾客在每个时间段的网购商品数量(颜色越亮表示网购商品数量越多)。图b是用NMF聚类方法得到的W矩阵,横轴表示顾客ID,纵轴为抽象出的8类顾客行为特征。图c为H矩阵,为系数矩阵,其中列表示每一类行为特征的加权系数值,原始矩阵V中每一行(即每个用户的网购行为)可理解为分解出的8类子行为特征按照相应系数的加权和(即W中每一行乘以H中的对应列)。

    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,5.3 对无序稀疏数据的规律分析(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/part0029.xhtml) - 结论依据:原文展示W/H分解并在代码以argmax(W,axis=1)赋类;按实际矩阵形状纠正图文轴向说明。 - 原始内容:如图5-8所示,图a是原始图像,横轴代表每一周,纵轴表示顾客ID,颜色代表顾客在每个时间段的网购商品数量(颜色越亮表示网购商品数量越多)。图b是用NMF聚类方法得到的W矩阵,横轴表示顾客ID,纵轴为抽象出的8类顾客行为特征。图c为H矩阵,为系数矩阵,其中列表示每一类行为特征的加权系数值,原始矩阵V中每一行(即每个用户的网购行为)可理解为分解出的8类子行为特征按照相应系数的加权和(即W中每一行乘以H中的对应列)。