特征分解
奇异值分解(Singular Value Decomposition, SVD)
机器学习的数学基础 - 特征分解与奇异值分解
2021-12-25
123
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《
阿里云开发者社区用户服务协议》和
《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写
侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介：
机器学习的数学基础 - 特征分解与奇异值分解
目录
相关文章
|
2月前
|
机器学习/深度学习
算法
数据可视化
|
6月前
|
机器学习/深度学习
人工智能
并行计算
人工智能平台PAI产品使用合集之机器学习PAI中特征重要性的原理不知道如何解决
阿里云人工智能平台PAI是一个功能强大、易于使用的AI开发平台，旨在降低AI开发门槛，加速创新，助力企业和开发者高效构建、部署和管理人工智能应用。其中包含了一系列相互协同的产品与服务，共同构成一个完整的人工智能开发与应用生态系统。以下是对PAI产品使用合集的概述，涵盖数据处理、模型开发、训练加速、模型部署及管理等多个环节。
80
0
0
|
5月前
|
机器学习/深度学习
人工智能
JSON
人工智能平台PAI产品使用合集之创建特征视图时遇到报错，该如何排查
阿里云人工智能平台PAI是一个功能强大、易于使用的AI开发平台，旨在降低AI开发门槛，加速创新，助力企业和开发者高效构建、部署和管理人工智能应用。其中包含了一系列相互协同的产品与服务，共同构成一个完整的人工智能开发与应用生态系统。以下是对PAI产品使用合集的概述，涵盖数据处理、模型开发、训练加速、模型部署及管理等多个环节。
107
4
4
|
4月前
|
存储
机器学习/深度学习
人工智能
人工智能平台PAI使用问题之特征平台是否可以与Java进行对接
阿里云人工智能平台PAI是一个功能强大、易于使用的AI开发平台，旨在降低AI开发门槛，加速创新，助力企业和开发者高效构建、部署和管理人工智能应用。其中包含了一系列相互协同的产品与服务，共同构成一个完整的人工智能开发与应用生态系统。以下是对PAI产品使用合集的概述，涵盖数据处理、模型开发、训练加速、模型部署及管理等多个环节。
33
0
0
|
5月前
|
机器学习/深度学习
存储
人工智能
人工智能平台PAI产品使用合集之选择使用Hologres作为在线特征存储，响应延时大概在多久
阿里云人工智能平台PAI是一个功能强大、易于使用的AI开发平台，旨在降低AI开发门槛，加速创新，助力企业和开发者高效构建、部署和管理人工智能应用。其中包含了一系列相互协同的产品与服务，共同构成一个完整的人工智能开发与应用生态系统。以下是对PAI产品使用合集的概述，涵盖数据处理、模型开发、训练加速、模型部署及管理等多个环节。
87
2
2
|
5月前
|
机器学习/深度学习
数据采集
存储
人工智能平台PAI产品使用合集之FeatureStore是否支持推荐场景下的session特征
阿里云人工智能平台PAI是一个功能强大、易于使用的AI开发平台，旨在降低AI开发门槛，加速创新，助力企业和开发者高效构建、部署和管理人工智能应用。其中包含了一系列相互协同的产品与服务，共同构成一个完整的人工智能开发与应用生态系统。以下是对PAI产品使用合集的概述，涵盖数据处理、模型开发、训练加速、模型部署及管理等多个环节。
96
2
2
|
5月前
|
机器学习/深度学习
人工智能
前端开发
人工智能平台PAI产品使用合集之创建了实时特征视图，里面的数据是通过什么传入的
阿里云人工智能平台PAI是一个功能强大、易于使用的AI开发平台，旨在降低AI开发门槛，加速创新，助力企业和开发者高效构建、部署和管理人工智能应用。其中包含了一系列相互协同的产品与服务，共同构成一个完整的人工智能开发与应用生态系统。以下是对PAI产品使用合集的概述，涵盖数据处理、模型开发、训练加速、模型部署及管理等多个环节。
95
2
2
|
5月前
|
机器学习/深度学习
算法
C++
机器学习归一化特征编码（二）
这篇文档讨论了机器学习中的特征编码，特别是独热编码（OneHotEncoder）在处理离散变量时的作用。它指出，对于多分类变量，独热编码是常用方法，但对二分类变量通常不需要。在Python的`sklearn`库中，`OneHotEncoder`可以用来实现这一过程，并可以通过设置`drop='if_binary'`来忽略二分类变量。文档还提到了逻辑回归，解释了正则化参数`C`和`penalty`，并列举了不同的优化算法，如`liblinear`、`lbfgs`等。
71
3
3
|
5月前
|
机器学习/深度学习
API
Python
机器学习特征降维
这篇内容概述了特征降维在机器学习中的重要性，包括三个主要方法：低方差过滤法、PCA（主成分分析）和相关系数法。低方差过滤法通过删除方差低于阈值的特征来减少无关信息；PCA通过正交变换降低数据的维数，保留大部分信息；相关系数法（如皮尔逊和斯皮尔曼相关系数）用于评估特征间的相关性，去除高度相关的特征以简化模型。这些技术有助于提高模型效率和泛化能力。
56
3
3
|
5月前
|
机器学习/深度学习
算法
数据处理
机器学习归一化特征编码（一）
特征缩放是机器学习预处理的关键步骤，它包括归一化和标准化。归一化通过最大最小值缩放，将数据转换到[0,1]区间，有助于梯度下降算法更快收敛，减少数值较大特征的影响。标准化则通过减去均值并除以标准差，确保数据具有零均值和单位方差，适用于关注数据分布情况的算法。例如，欧氏距离计算时，未归一化的特征可能导致模型偏向数值较大的特征。归一化能提升模型精度，尤其是当距离度量如欧式距离时。常见的实现方法有`MinMaxScaler`，它将每个特征值缩放到用户指定的范围，如[0,1]。而`StandardScaler`执行Z-Score标准化，数据分布符合标准正态分布。
109
1
1