Supongamos que tiene su matriz de utilidad con usuarios en las filas y revisiones de elementos en las columnas. Por ejemplo películas.
Una técnica popular es transformar esta matriz del espacio original de n-películas a un nuevo espacio de k-conceptos (k << n). De esta manera, descubrirá los factores que hacen que a los usuarios les guste o no las películas. Por ejemplo, imagina que tienes 10 películas de ciencia ficción y 10 dramas. Si reduce de 20 a 2 dimensiones, es probable que una de sus nuevas características mida si al usuario le gusta la ciencia ficción y la otra si le gustan los dramas.
La factorización de Matriz no negativa (NMF) se puede utilizar para calcular dos martrices Q y P donde Q es mxk y P es kxn. En la forma en que Q * P es tan similar como pueden ser a los elementos knwon en la matriz de utilidad original.
La matriz “Q” asignará a sus usuarios a factores y “P” asignará los factores a películas.
- ¿Cuál es una buena manera de entender este concepto en álgebra lineal?
- ¿Cuál es el uso de vectores propios y valores propios en el aprendizaje automático?
- ¿Existe algún método para aumentar la precisión de la eliminación gaussiana además del giro parcial y completo y la escala de filas?
- ¿Son las clases de matemáticas menos rigurosas en los colegios comunitarios que en las universidades prestigiosas?
- Cómo demostrar que [matemáticas] \ mathrm {adj} (\ mathrm {adj} (A)) = (\ mathrm {det} A) ^ {n-2} \ cdot A [/ math]
Multiplicar Q * P automáticamente te da todas las calificaciones faltantes porque Q * P es una matriz completa. Por lo tanto, puede usar esto como uno de los muchos componentes utilizados para estimar la calificación que algún usuario le dará a alguna película.
Luis.