svd पर टैग किए गए जवाब

मैं हाथ से SVD करने की कोशिश कर रहा हूँ: m<-matrix(c(1,0,1,2,1,1,1,0,0),byrow=TRUE,nrow=3) U=eigen(m%*%t(m))$vector V=eigen(t(m)%*%m)$vector D=sqrt(diag(eigen(m%*%t(m))$values)) U1=svd(m)$u V1=svd(m)$v D1=diag(svd(m)$d) U1%*%D1%*%t(V1) U%*%D%*%t(V) लेकिन अंतिम पंक्ति mवापस नहीं आती है। क्यों? ऐसा लगता है कि इन eigenvectors के संकेतों के साथ कुछ करना है ... या क्या मैंने इस प्रक्रिया को गलत समझा?

9 r  svd  eigenvalues 

मेरा प्रश्न आम तौर पर एकवचन मूल्य अपघटन (एसवीडी) पर है, और विशेष रूप से अव्यक्त अर्थ सूचकांक (एलएसआई) पर। कहो, मेरे पास है Aword×documentAword×document A_{word \times document} जिसमें 7 दस्तावेजों के लिए 5 शब्दों की आवृत्तियों शामिल हैं। A = matrix(data=c(2,0,8,6,0,3,1, 1,6,0,1,7,0,1, 5,0,7,4,0,5,6, 7,0,8,5,0,8,5, 0,10,0,0,7,0,0), ncol=7, byrow=TRUE) rownames(A) <- …

9 r  svd  natural-language  latent-semantic-indexing 

पीएलएसए के मूल पेपर में लेखक, थॉमस हॉफमैन, पीएलएसए और एलएसए डेटा संरचनाओं के बीच एक समानांतर खींचते हैं जो मैं आपके साथ चर्चा करना चाहूंगा। पृष्ठभूमि: प्रेरणा लेते हुए सूचना पुनर्प्राप्ति मान लें कि हमारे पास दस्तावेजों का एक संग्रह है और terms की एक शब्दावलीNNND={d1,d2,....,dN}D={d1,d2,....,dN}D = \lbrace d_1, …

9 machine-learning  conditional-probability  svd  information-retrieval  lsa 

मुझे समझ नहीं आता कि आयाम में कमी महत्वपूर्ण क्यों है। कुछ डेटा लेने और उनके आयाम को कम करने से क्या लाभ है?

9 dimensionality-reduction  svd 

मैंने एक एसवीडी अपघटन और 6-आयामी डेटा मैट्रिक्स के बहुआयामी स्केलिंग दोनों का प्रदर्शन किया, ताकि डेटा की संरचना की बेहतर समझ प्राप्त हो सके। दुर्भाग्य से, सभी एकवचन मान एक ही क्रम के हैं, जिसका अर्थ है कि डेटा की गतिशीलता वास्तव में 6 है। हालांकि, मैं एकवचन वैक्टर …

9 pca  interpretation  dimensionality-reduction  svd