chapter14 机器学习之利用SVD简化数据

本文介绍了奇异值分解(SVD)的概念和在数据简化中的作用,通过SVD可以从用户对餐馆的观点数据中提取隐藏因素,用于预测用户对未知餐馆的喜好。SVD在推荐系统中提升精度,将数据映射到低维空间,并在图像压缩中有实际应用。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

餐馆可划分为很多类别,比如美式、中式、日式、牛排馆、素食店,等等。你是否想过这些
类别够用吗?或许人们喜欢这些的混合类别,或者类似中式素食店那样的子类别。如何才能知道
到底有多少类餐馆呢?我们也许可以问问专家?但是倘若某个专家说应该按照调料分类,而另一
个专家则认为应该按照配料分类,那该怎么办呢?忘了专家,我们还是从数据着手吧。我们可以
对记录用户关于餐馆观点的数据进行处理,并且从中提取出其背后的因素。
    这些因素可能会与餐馆的类别、烹饪时所用的某个特定配料,或其他任意对象一致。然后,
我们就可以利用这些因素来估计人们对没有去过的餐馆的看法。提取这些信息的方法称为奇异值分解(Singular Value Decomposition, SVD)。从生物信息学到金融学等在内的很多应用中,SVD都是提取信息的强大工具。
    本章将介绍SVD的概念及其能够进行数据约简的原因。然后,我们将会介绍基于Python的
SVD实现以及将数据映射到低维空间的过程。再接下来,我们就将学习推荐引擎的概念和它们的
实际运行过程。为了提高SVD的精度,我们将会把其应用到推荐系统中去,该推荐系统将会帮助
人们寻找到合适的餐馆。最后,我们讲述一个SVD在图像压缩中的应用例子。


评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

文宇肃然

精神和物质鼓励你选一个吧

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值