Statistiques et Big Data matrix-decomposition

2

Donc, j'ai 16 essais dans lesquels j'essaie d'authentifier une personne à partir d'un trait biométrique en utilisant Hamming Distance. Mon seuil est fixé à 3,5. Mes données sont ci-dessous et seul l'essai 1 est un vrai positif: Trial Hamming Distance 1 0.34 2 0.37 3 0.34 4 0.29 5 0.55 …

9 mathematical-statistics roc classification cross-validation pac-learning r anova survival hazard machine-learning data-mining hypothesis-testing regression random-variable non-independent normal-distribution approximation central-limit-theorem interpolation splines distributions kernel-smoothing r data-visualization ggplot2 distributions binomial random-variable poisson-distribution simulation kalman-filter regression lasso regularization lme4-nlme model-selection aic r mcmc dlm particle-filter r panel-data multilevel-analysis model-selection entropy graphical-model r distributions quantiles qq-plot svm matlab regression lasso regularization entropy inference r distributions dataset algorithms matrix-decomposition regression modeling interaction regularization expected-value exponential gamma-distribution mcmc gibbs probability self-study normality-assumption naive-bayes bayes-optimal-classifier standard-deviation classification optimization control-chart engineering-statistics regression lasso regularization regression references lasso regularization elastic-net r distributions aggregation clustering algorithms regression correlation modeling distributions time-series standard-deviation goodness-of-fit hypothesis-testing statistical-significance sample binary-data estimation random-variable interpolation distributions probability chi-squared predictor outliers regression modeling interaction

2

SVD d'une matrice de données après une projection orthogonale à un sous-espace

Disons que je peux connaître la SVD d'une matrice :XXXX=USVTX=USVTX = USV^T Si j'ai une matrice orthogonale (c'est-à-dire que est carré et a des colonnes orthonormées), alors la SVD de estAAAAAAXAXAXA XA=USWTXA=USWTXA = USW^T où .W=ATVW=ATVW = A^TV Mais peut-on dire quelque chose sur la SVD de si a des …

9 pca svd matrix-decomposition

2

Modèle de factorisation matricielle pour les systèmes recommandés comment déterminer le nombre de fonctionnalités latentes?

J'essaie de concevoir une technique de factorisation matricielle pour un élément utilisateur simple, un système de recommandation de notes. J'ai 2 questions à ce sujet. Tout d'abord dans une implémentation simple que j'ai vue de la technique de factorisation matricielle pour la recommandation de film, l'auteur vient d'initialiser les dimensions …

8 recommender-system matrix-decomposition parameterization ensemble

Questions marquées «matrix-decomposition»