资料下载
如何提高爱好特征提取的效率详细算法说明
分享资料个
针对电影评分中特征提取效率较低的问题，提出了与QR分解相结合的Nystrom方法。首先，利用自适应方法进行采样，然后对内部矩阵进行QR分解，将分解后的矩阵与内部矩阵进行重新组合并进行特征分解。Nystrom方法的近似过程与标志点选取的数量以及选取标志点的过程密切相关，选取一系列具有标志性的点来保证采样后的近似性，自适应的采样方法能够保证近似的精度。QR分解能够保证矩阵的稳定性，提高偏好特征提取的精度。偏好特征提取的精度越高，推荐系统的稳定性就会越高，推荐的精度也会提高。最后在真实的观众对电影评分的数据集上进行了特征提取的实验，该电影数据集中包含480189个用户，17770部电影，实验结果表明，提取相同数目的标志点时，该算法的精度和效率都有了一定程度的提高：相对于采样前，时间复杂度由原来的O（n3）减少为O（nc2）（c《n）；与标准的Nystrom相比，误差控制在25qo以下。
近几年，核方法已经成功地应用于各种现实世界中，尤其是那些具有高度复杂性和非线性结构的问题中。核方法已经被广泛地应用于各种机器问题，如分类、聚类和回归学习中。在基于核的学习中，输入的数据点被映射到高维的特征空间中，并将内部成对的数据存储在一个对称的半正定核矩阵中。核矩阵的核心作用是描述样本数据之间的相似性，目前在流形学习和降维中被广泛应用。1 0。在实际应用中矩阵的规模往往较大，因此需要降低矩阵的规模，即对矩阵进行采样，将高维矩阵映射到一个低维子空间中，然后对低维空间中的矩阵进行分解，这样做不仅能减小矩阵的规模，解决矩阵溢出的问题，而且还能提高运算的效率。低秩矩阵分解和核学习是构建高级学习系统的两种有效的方法，这两种方法都可以降低大规模矩阵的计算成本。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
- 相关下载
- 相关文章
