主成分分析と独立成分分析とスパースコーディングの比較[python] - 無限の猿
データを教師なしで変換する行列分解手法、主成分分析（PCA: Principle Component Analysis）、独立成分分析（ICA: Independent Component Analysis）、スパースコーディング(SC: Sparse Coding）の比較。 行列分解手法の明確な定義は知らないが、ここではデータを表すベクトルの集合を横に並べた行列をとして、基底を表す行列と係数のを表す行列の積、 に変換する手法とする。これはすなわち、元のデータをの列にあたる基底の線形和、 で表現することを意味する。はデータの基底で表される空間での表現に相当することになる。 ここでが決まっていれば、を求めるのは線形の逆問題（が正則な正方行列であればその逆行列をにかけてやれば良い）となるが、行列分解問題では双方を同時に求める問題となる。自由度も高くなり、、は一意には決まらない。したがって、、に
PCANetを実装してみた - Qiita
PCANetというニューラルネットワークを実装しました。 論文 (arXiv) 実装 (GitHub) PCANetの概要 PCANetはその名の通り，ネットワークの重みをPCA(主成分分析)によって計算するCNNの一種です。 利点 PCANetには次のような特徴があります。 PCAで重みを計算するため学習が非常に高速である PCANetそのものの学習は教師ラベルを必要としない 調整が必要なハイパーパラメータが無い モデルが比較的単純なため実装しやすい 教師ラベルを必要としない PCANetは，画像から切り出したパッチをベクトルとみなし，その主成分をネットワークの重みとしています。 一般的なCNNでは，目標とする出力とネットワークの出力の差をネットワーク全体に逆伝搬することで学習を行っています。一方でPCANetは画像さえ与えられればあとはPCAをかけるだけで学習ができてしまうため，教師ラ
ガールフレンド(仮)のキャラ分析 - 驚異のアニヲタ社会復帰の予備
というわけで、ミス・モノクロームの欠損値を補ったので、毎度おなじみの主成分分析をやる(ラブライブ!, シンデレラガールズ, Wake Up, Girls!)。 画像はガールフレンド(仮)速報のトップページを保存したらjpgが取ってこれるので、001から始まるjpgファイルだけ残して適当にフォルダ名(/girlfriend/pngs/)を付けておく。 クロエ・ルメールは声からしてぜってーロリキャラだと思っていたら、実は3年生でグラマラスキャラだということがわかった。 pngs <- list.files("/girlfriend/pngs/") library(png) library(jpeg) pics <- vector("list", length(pngID)) for(i in seq(pics)){ pics[[i]] <- readJPEG(paste("/girlfrien
SD法
人の感性はもともとあいまいで漠然としたものであり、直接それを測ることはできません。したがって、別 の表現方法により間接的に測定する方法をとります。その１つとして、ＳＤ法による感性アンケートがあります。 感性アンケートは、ＳＤ法を用いて行います。ＳＤのSはセマンティック（semantic）つまり「意味」、Ｄはディファレンシャル（differential）つまり「微分」であり、ＳＤ法は意味微分法とも呼ばれています。ＳＤ法では、感性ワードの言葉で感性を測定するので、「明るい－暗い」とか「上品な－下品な」など、相対する意味の言葉を用意し、その間を何段階かに分けて測定します。感性工学では一般 的に５段階に分けて、得点形式で評価します。ＳＤ法により得られた結果 の平均得点を折れ線グラフにしたものをＳＤプロフィールといい、このグラフを見ると、その川から受けるイメージの相違が一目でわかります。 感性アンケ
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
TSNE vs PCA
Principal Component Analysis of Pokemon Data
行列計算を利用したデータ解析技術
