প্রশ্ন ট্যাগ «svd»

আমি হাতে হাতে এসভিডি করার চেষ্টা করছি: 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) তবে শেষ লাইনটি আর ফিরে আসে না m। কেন? মনে হচ্ছে এই আইজেনভেেক্টরগুলির লক্ষণগুলির সাথে কিছু করার আছে ... বা আমি পদ্ধতিটি ভুল বুঝেছি?

9 r  svd  eigenvalues 

আমার প্রশ্নটি সাধারণত একক মান মানিক পচন (এসভিডি) এবং বিশেষত প্রচ্ছন্ন সিনমেটিক ইনডেক্সিং (এলএসআই) সম্পর্কিত। বলুন, আমার আছে একজনডব্লিউ ও আর ডি। Dও সি ইউ এম ই এন টিএকজনWণRঘ×ঘণগতোমার দর্শন লগ করামিইএনটি A_{word \times document} এতে 7 টি নথির 5 টি ফ্রিকোয়েন্সি রয়েছে। 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), …

9 r  svd  natural-language  latent-semantic-indexing 

পিএলএসএর মূল কাগজে লেখক টমাস হফম্যান পিএলএসএ এবং এলএসএ ডেটা স্ট্রাকচারের মধ্যে একটি সমান্তরাল আঁকুন যা আমি আপনার সাথে আলোচনা করতে চাই। পটভূমি: অনুপ্রেরণা গ্রহণ করে তথ্য পুনরুদ্ধার মনে করুন আমাদের কাছে নথি এবং পদগুলির একটি শব্দভাণ্ডারNNND={d1,d2,....,dN}D={d1,d2,....,dN}D = \lbrace d_1, d_2, ...., d_N \rbraceMMMΩ={ω1,ω2,...,ωM}Ω={ω1,ω2,...,ωM}\Omega = \lbrace \omega_1, \omega_2, ..., \omega_M …

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

মাত্রা হ্রাস কেন গুরুত্বপূর্ণ তা আমি বুঝতে পারি না। কিছু ডেটা নেওয়ার এবং তাদের মাত্রা হ্রাস করে কী লাভ?

9 dimensionality-reduction  svd 

আমি ডেটার কাঠামোর আরও ভাল ধারণা পেতে, একটি এসভিডি পচন এবং একটি 6-মাত্রিক ডেটা ম্যাট্রিক্সের একটি বহুমাত্রিক স্কেলিং উভয়ই সম্পাদন করেছি। দুর্ভাগ্যক্রমে, সমস্ত একক মানগুলি একই ক্রমের, বোঝাচ্ছে যে ডেটাটির মাত্রাটি সত্যই 6 is তবে, আমি একবাক্য ভেক্টরের মানগুলি ব্যাখ্যা করতে সক্ষম হতে চাই। উদাহরণস্বরূপ, প্রথমটি প্রতিটি মাত্রায় (অর্থাত্ (1,1,1,1,1,1)) …

9 pca  interpretation  dimensionality-reduction  svd