我使用奇异值分解将稀疏矩阵R分解为U、Sigma和Vt。我使用k=20项。原始矩阵的形状为:98720 x 24875,其值仅为0和1
(np.min(R) = 0, np.max(R) = 1, np.mean(R) = 0.0003790496241336341,
<98720x24875 sparse matrix of type '<class 'numpy.float64'>' with 930817 stored elements in Compressed Sparse Row format>, scipy.sparse.csr.csr_matrix)
重建的矩阵:R_reconstructed = np.dot(np.dot(U, np.diag(sigma)), Vt)
的值在不同的范围(-1,5,3.82)内
(98720, 24875) <class 'numpy.ndarray'> -1.5699363645844981 3.821880643066242
有人能给我解释一下为什么会这样,为了得到相同的重构矩阵范围,解决方案是什么
我认为问题在于,因为k很小,重建并不完美。你可能需要使用一个更大的k,直到你至少有一个相似的平均值,因为在你使用一个大的k之前,用奇异值分解很难重现极值
举个例子:
最大值为4,最小值为0,平均值为0.1
如果我用k=20重建
最大值为1.5,最小值为-0.6,平均值为0.0995
如果用k=100重建,最大值为3.33,最小值为-0.58,平均值为0.0996
如果我用k=199重建,最大值为4.001,最小值为-0.13,平均值为0.0997
相关问题 更多 >
编程相关推荐