Preguntas etiquetadas con sparse

He visto en alguna parte que las distancias clásicas (como la distancia euclidiana) se vuelven débilmente discriminantes cuando tenemos datos multidimensionales y escasos. ¿Por qué? ¿Tiene un ejemplo de dos vectores de datos dispersos donde la distancia euclidiana no funciona bien? En este caso, ¿qué similitud debemos usar?

72 machine-learning  clustering  data-mining  sparse  euclidean 

Aprendí sobre PCA hace unas conferencias en clase y al investigar más sobre este concepto fascinante, aprendí sobre PCA escasa. Quería preguntar, si no me equivoco, esto es lo que es PCA escaso: en PCA, si tiene puntos de datos con variables, puede representar cada punto de datos en espacio …

24 machine-learning  pca  sparse 

¿Existe una implementación de bosque aleatorio R que funcione bien con datos muy escasos? Tengo miles o millones de variables de entrada booleanas, pero solo cientos más o menos serán VERDADERAS para cualquier ejemplo dado. Soy relativamente nuevo en R y noté que hay un paquete 'Matrix' para tratar con …

23 r  random-forest  sparse 

¿Cuáles son las principales diferencias entre los datos dispersos y los datos faltantes? ¿Y cómo influye en el aprendizaje automático? Más específicamente, qué efecto tienen los datos dispersos y los datos faltantes en los algoritmos de clasificación y el tipo de algoritmos de regresión (números de predicción). Estoy hablando de …

20 machine-learning  dataset  missing-data  sparse 

Cerrado. Esta pregunta está fuera de tema . Actualmente no está aceptando respuestas. ¿Quieres mejorar esta pregunta? Actualice la pregunta para que sea sobre el tema de Cross Validated. Cerrado hace 5 años . Estoy tratando de compilar una lista de algoritmos de agrupamiento que son: Implementado en R Opere …

18 r  clustering  sparse 

Una norma es única (al menos en parte) porque está en el límite entre no convexo y convexo. Una norma es la norma convexa 'más escasa' (¿verdad?).L1L1L_1p=1p=1p=1L1L1L_1 Entiendo que la norma euclidiana tiene raíces en la geometría y tiene una interpretación clara cuando las dimensiones tienen las mismas unidades. Pero …

13 regression  regularization  sparse 

Estoy tratando de clasificar los mensajes en diferentes categorías usando un SVM. He compilado una lista de palabras / símbolos deseables del conjunto de entrenamiento. Para cada vector, que representa un mensaje, configuro la fila correspondiente a 1si la palabra está presente: "corpus" es: [Mary, little, lamb, star, twinkle] primer …

12 classification  svm  sparse 

Últimamente he estado viendo muchos documentos sobre representaciones dispersas, y la mayoría de ellos usan la norma ℓpℓp\ell_p y minimizan un poco. Mi pregunta es, ¿cuál es la norma ℓpℓp\ell_p y la norma mixta ℓp,qℓp,q\ell_{p, q} ? ¿Y cómo son relevantes para la regularización? Gracias

12 machine-learning  regularization  sparse 

La forma clásica del análisis de componentes principales (PCA) es hacerlo en una matriz de datos de entrada cuyas columnas tienen media cero (entonces PCA puede "maximizar la varianza"). Esto se puede lograr fácilmente centrando las columnas. Sin embargo, cuando la matriz de entrada es escasa, la matriz centrada ahora …

10 pca  algorithms  dimensionality-reduction  large-data  sparse 

Estoy trabajando en un conjunto de datos. Después de usar algunas técnicas de identificación de modelos, obtuve un modelo ARIMA (0,2,1). Utilicé la detectIOfunción en el paquete TSAen R para detectar un valor atípico innovador (IO) en la observación número 48 de mi conjunto de datos original. ¿Cómo incorporo este …

10 r  time-series  arima  outliers  hypergeometric  fishers-exact  r  time-series  intraclass-correlation  r  logistic  glmm  clogit  mixed-model  spss  repeated-measures  ancova  machine-learning  python  scikit-learn  distributions  data-transformation  stochastic-processes  web  standard-deviation  r  machine-learning  spatial  similarities  spatio-temporal  binomial  sparse  poisson-process  r  regression  nonparametric  r  regression  logistic  simulation  power-analysis  r  svm  random-forest  anova  repeated-measures  manova  regression  statistical-significance  cross-validation  group-differences  model-comparison  r  spatial  model-evaluation  parallel-computing  generalized-least-squares  r  stata  fitting  mixture  hypothesis-testing  categorical-data  hypothesis-testing  anova  statistical-significance  repeated-measures  likert  wilcoxon-mann-whitney  boxplot  statistical-significance  confidence-interval  forecasting  prediction-interval  regression  categorical-data  stata  least-squares  experiment-design  skewness  reliability  cronbachs-alpha  r  regression  splines  maximum-likelihood  modeling  likelihood-ratio  profile-likelihood  nested-models 

Es bien sabido (por ejemplo, en el campo de la detección de compresión) que la norma es "inductora de la dispersión", en el sentido de que si minimizamos lo funcional (para la matriz fija y el vector ) para lo suficientemente grande \ lambda> 0 , es probable que muchas …

10 regression  matrix  normalization  regularization  sparse 

Estoy tratando de generar una matriz de correlación (psd simétrica) con una estructura de dispersión preespecificada (especificada por un gráfico en nodos). Los nodos que están conectados en el gráfico tienen correlación , el resto todos son 0 y la diagonal es 1.p×pp×pp\times ppppρ∼U(0,1)ρ∼U(0,1)\rho \sim U(0,1) He intentado generar esta …

9 correlation  matrix  sparse  correlation-matrix 

Tengo entradas extremadamente escasas, por ejemplo, ubicaciones de ciertas características en una imagen de entrada. Además, cada característica puede tener múltiples detecciones (no estoy seguro si esto tendrá una relación con el diseño del sistema). Esta se presentará como una 'imagen binaria' de k canales con píxeles ENCENDIDOS que representan …

9 neural-networks  deep-learning  sparse 

¿Alguien tiene experiencia con los enfoques para seleccionar el número de componentes principales dispersos para incluir en un modelo de regresión?

9 pca  sparse  regression-strategies 

Entiendo que la detección comprimida encuentra la solución más escasa para donde , , y , .y=Axy=Axy = Axx∈RDx∈RDx \in \mathbb{R}^DA∈Rk×DA∈Rk×DA \in \mathbb{R}^{k \times D}y∈Rky∈Rky \in \mathbb{R}^{k}k&lt;&lt;Dk&lt;&lt;Dk << D De esta manera podemos reconstruir (el original) usando (la compresión), razonablemente rápido. Decimos que es la solución más escasa. La escasez …

8 lasso  sparse