Preguntas etiquetadas con matrix-decomposition

/ edit: Seguimiento adicional ahora puedes usar irlba :: prcomp_irlba / edit: siguiendo mi propio post. irlbaahora tiene argumentos de "centro" y "escala", que le permiten usarlo para calcular componentes principales, por ejemplo: pc <- M %*% irlba(M, nv=5, nu=0, center=colMeans(M), right_only=TRUE)$v Tengo una gran variedad Matrixde características que me …

31 r  pca  dimensionality-reduction  svd  matrix-decomposition 

Dada una aproximación de PCA (o SVD) de la matriz XXX con una matriz X , sabemos que X es la mejor aproximación de bajo rango de X .X^X^\hat XX^X^\hat XXXX ¿Es esto de acuerdo con la norma inducida ∥⋅∥2∥⋅∥2\parallel \cdot \parallel_2 (es decir, la norma de mayor valor propio) …

26 pca  svd  matrix-decomposition 

Esta pregunta trata sobre una manera eficiente de calcular los componentes principales. Muchos textos sobre PCA lineal abogan por el uso de la descomposición de valores singulares de los datos de casos . Es decir, si tenemos datos XX\bf X y queremos reemplazar las variables (sus columnas ) por componentes …

22 pca  algorithms  svd  matrix-decomposition 

Necesito calcular la matriz inversa y he estado usando la solvefunción. Si bien funciona bien en matrices pequeñas, solvetiende a ser muy lento en matrices grandes. Me preguntaba si hay alguna otra función o combinación de funciones (a través de SVD, QR, LU u otras funciones de descomposición) que puedan …

21 r  matrix-decomposition  matrix-inverse 

Hace poco leí el libro de Skillicorn sobre descomposiciones de matrices, y me decepcionó un poco, ya que estaba dirigido a un público universitario. Me gustaría compilar (para mí y para otros) una breve bibliografía de documentos esenciales (encuestas, pero también documentos innovadores) sobre descomposiciones de matrices. Lo que tengo …

18 matrix-decomposition  svd  numerics 

Supongamos que tengo una matriz densa de tamaño m × n , con descomposición SVD A = U S V ⊤ . En puedo calcular la SVD de la siguiente manera: .AA \textbf{A}m×nm×nm \times nA=USV⊤.A=USV⊤.\mathbf{A}=\mathbf{USV}^\top.Rsvd(A) Si se agrega una nueva fila a A , ¿se puede calcular la nueva descomposición …

17 algorithms  svd  linear-algebra  matrix-decomposition  numerics 

Considere una serie de tiempo simple: > tp <- seq_len(10) > tp [1] 1 2 3 4 5 6 7 8 9 10 podemos calcular una matriz de adyacencia para esta serie de tiempo que representa los enlaces temporales entre muestras. Al calcular esta matriz, agregamos un sitio imaginario en …

15 time-series  matrix-decomposition  svd 

Cerrado. Esta pregunta está fuera de tema . Actualmente no está aceptando respuestas. ¿Quieres mejorar esta pregunta? Actualice la pregunta para que esté en el tema de Cross Validated. Cerrado hace 2 años . ¿Podría alguien idear el código R para trazar una elipse de los valores propios y los …

15 r  multivariate-analysis  matrix  matrix-decomposition 

Dada una matriz , la factorización de matriz no negativa (NMF) encuentra dos matrices no negativas W m × k y H k × n (es decir, con todos los elementos ≥ 0 ) para representar la matriz descompuesta como:Vm×nVm×n\mathbf V^{m \times n}Wm×kWm×k\mathbf W^{m \times k}Hk×nHk×n\mathbf H^{k \times n}≥0≥0\ge 0 …

15 cross-validation  unsupervised-learning  latent-variable  matrix-decomposition  nnmf 

Estoy trabajando en un proyecto de filtrado colaborativo (CF), es decir, completar una matriz parcialmente observada o, en general, un tensor. Soy un novato en el campo, y para este proyecto eventualmente tengo que comparar nuestro método con otros conocidos que hoy en día, los métodos propuestos se comparan con …

13 optimization  recommender-system  matrix-decomposition 

Mi pregunta se refiere a una técnica de cálculo explotada en geoR:::.negloglik.GRFo geoR:::solve.geoR. En una configuración de modelo mixto lineal: donde y son los efectos fijos y aleatorios, respectivamente. Además,Y= Xβ+ Zb + eY=Xβ+Zsi+mi Y=X\beta+Zb+e ββ\betasisibΣ = cov ( Y)Σ=cov(Y)\Sigma=\text{cov}(Y) Al estimar los efectos, es necesario calcular ( X′Σ- 1X)- …

13 r  eigenvalues  matrix-decomposition  matrix-inverse  cholesky 

El mgcvpaquete Rtiene dos funciones para ajustar las interacciones del producto tensorial: te()y ti(). Entiendo la división básica del trabajo entre los dos (ajustar una interacción no lineal versus descomponer esta interacción en efectos principales y una interacción). Lo que no entiendo es por qué te(x1, x2)y ti(x1) + ti(x2) …

11 r  gam  mgcv  conditional-probability  mixed-model  references  bayesian  estimation  conditional-probability  machine-learning  optimization  gradient-descent  r  hypothesis-testing  wilcoxon-mann-whitney  time-series  bayesian  inference  change-point  time-series  anova  repeated-measures  statistical-significance  bayesian  contingency-tables  regression  prediction  quantiles  classification  auc  k-means  scikit-learn  regression  spatial  circular-statistics  t-test  effect-size  cohens-d  r  cross-validation  feature-selection  caret  machine-learning  modeling  python  optimization  frequentist  correlation  sample-size  normalization  group-differences  heteroscedasticity  independence  generalized-least-squares  lme4-nlme  references  mcmc  metropolis-hastings  optimization  r  logistic  feature-selection  separation  clustering  k-means  normal-distribution  gaussian-mixture  kullback-leibler  java  spark-mllib  data-visualization  categorical-data  barplot  hypothesis-testing  statistical-significance  chi-squared  type-i-and-ii-errors  pca  scikit-learn  conditional-expectation  statistical-significance  meta-analysis  intuition  r  time-series  multivariate-analysis  garch  machine-learning  classification  data-mining  missing-data  cart  regression  cross-validation  matrix-decomposition  categorical-data  repeated-measures  chi-squared  assumptions  contingency-tables  prediction  binary-data  trend  test-for-trend  matrix-inverse  anova  categorical-data  regression-coefficients  standard-error  r  distributions  exponential  interarrival-time  copula  log-likelihood  time-series  forecasting  prediction-interval  mean  standard-error  meta-analysis  meta-regression  network-meta-analysis  systematic-review  normal-distribution  multiple-regression  generalized-linear-model  poisson-distribution  poisson-regression  r  sas  cohens-kappa 

En todos los sistemas de recomendación modernos que he visto que se basan en la factorización matricial, se realiza una factorización matricial no negativa en la matriz de película del usuario. Puedo entender por qué la no negatividad es importante para la interpretabilidad y / o si desea factores dispersos. …

11 recommender-system  svd  matrix-decomposition  nnmf 

Los sistemas lineales de ecuaciones son penetrantes en las estadísticas computacionales. Un sistema especial que he encontrado (por ejemplo, en el análisis factorial) es el sistema Ax=bAx=bAx=b donde Aquí es una matriz diagonal con una diagonal estrictamente positiva, es una matriz semi-definida simétrica positiva (con ), y es una matriz …

10 factor-analysis  matrix  computational-statistics  matrix-decomposition  matrix-inverse 

Considere el problema de filtrado colaborativo. Tenemos una matriz de tamaño #users * #items. si al usuario me gusta el elemento j, si al usuario no le gustan los elementos j ysi no hay datos sobre el par (i, j) Queremos predecir para futuros usuarios, pares de elementos.MMMMi,j=1Mi,j=1M_{i,j} = 1Mi,j=0Mi,j=0M_{i,j} …

9 machine-learning  recommender-system  matrix-decomposition