電子發燒友網>電子資料下載>電子論文>模擬數字論文>如何提高愛好特征提取的效率詳細算法說明

如何提高愛好特征提取的效率詳細算法說明

2474220 2019-01-04 | rar | 1.34 MB | 次下載 | 免費

資料介紹

　　針對電影評分中特征提取效率較低的問題，提出了與QR分解相結合的Nystrom方法。首先，利用自適應方法進行采樣，然后對內部矩陣進行QR分解，將分解后的矩陣與內部矩陣進行重新組合并進行特征分解。Nystrom方法的近似過程與標志點選取的數量以及選取標志點的過程密切相關，選取一系列具有標志性的點來保證采樣后的近似性，自適應的采樣方法能夠保證近似的精度。QR分解能夠保證矩陣的穩定性，提高偏好特征提取的精度。偏好特征提取的精度越高，推薦系統的穩定性就會越高，推薦的精度也會提高。最后在真實的觀眾對電影評分的數據集上進行了特征提取的實驗，該電影數據集中包含480189個用戶，17770部電影，實驗結果表明，提取相同數目的標志點時，該算法的精度和效率都有了一定程度的提高：相對于采樣前，時間復雜度由原來的O（n3）減少為O（nc2）（c《n）；與標準的Nystrom相比，誤差控制在25qo以下。

　　近幾年，核方法已經成功地應用于各種現實世界中，尤其是那些具有高度復雜性和非線性結構的問題中。核方法已經被廣泛地應用于各種機器問題，如分類、聚類和回歸學習中。在基于核的學習中，輸入的數據點被映射到高維的特征空間中，并將內部成對的數據存儲在一個對稱的半正定核矩陣中。核矩陣的核心作用是描述樣本數據之間的相似性，目前在流形學習和降維中被廣泛應用。1 0。在實際應用中矩陣的規模往往較大，因此需要降低矩陣的規模，即對矩陣進行采樣，將高維矩陣映射到一個低維子空間中，然后對低維空間中的矩陣進行分解，這樣做不僅能減小矩陣的規模，解決矩陣溢出的問題，而且還能提高運算的效率。低秩矩陣分解和核學習是構建高級學習系統的兩種有效的方法，這兩種方法都可以降低大規模矩陣的計算成本。