![](https://cdn-ak-scissors.b.st-hatena.com/image/square/d5b87e37ba94f76b07712b57e91d21578cf02ff3/height=288;version=1;width=512/https%3A%2F%2Fqiita-user-contents.imgix.net%2Fhttps%253A%252F%252Fcdn.qiita.com%252Fassets%252Fpublic%252Farticle-ogp-background-412672c5f0600ab9a64263b751f1bc81.png%3Fixlib%3Drb-4.0.0%26w%3D1200%26mark64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTk3MiZoPTM3OCZ0eHQ9JUUzJTgxJUFGJUUzJTgxJTk4JUUzJTgyJTgxJUUzJTgxJUE2JUUzJTgxJUFFJUUzJTgzJTkxJUUzJTgyJUJGJUUzJTgzJUJDJUUzJTgzJUIzJUU4JUFBJThEJUU4JUFEJTk4JTIwOSVFNyVBQiVBMCVFRiVCQyU4OCVFNSU4OSU4RCVFNSU4RCU4QSVFRiVCQyU4OSZ0eHQtYWxpZ249bGVmdCUyQ3RvcCZ0eHQtY29sb3I9JTIzMjEyMTIxJnR4dC1mb250PUhpcmFnaW5vJTIwU2FucyUyMFc2JnR4dC1zaXplPTU2JnM9MjA0Mzg0NTliNGFiNzllZGEwNjg4YmYzN2IzZTdjMjc%26mark-x%3D142%26mark-y%3D57%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZoPTc2Jnc9NzcwJnR4dD0lNDBuaXJwZXJtJnR4dC1jb2xvcj0lMjMyMTIxMjEmdHh0LWZvbnQ9SGlyYWdpbm8lMjBTYW5zJTIwVzYmdHh0LXNpemU9MzYmdHh0LWFsaWduPWxlZnQlMkN0b3Amcz1kZDE1ODMxODNlZGQzNTExMzZjNWFjZDE2YmQzMGU3NQ%26blend-x%3D142%26blend-y%3D486%26blend-mode%3Dnormal%26s%3Db2cb42b58eadbae72b8afeaf892c09fc)
エントリーの編集
![loading...](https://b.st-hatena.com/bdefb8944296a0957e54cebcfefc25c4dcff9f5f/images/v4/public/common/loading@2x.gif)
エントリーの編集は全ユーザーに共通の機能です。
必ずガイドラインを一読の上ご利用ください。
記事へのコメント1件
- 注目コメント
- 新着コメント
注目コメント算出アルゴリズムの一部にLINEヤフー株式会社の「建設的コメント順位付けモデルAPI」を使用しています
![アプリのスクリーンショット](https://b.st-hatena.com/bdefb8944296a0957e54cebcfefc25c4dcff9f5f/images/v4/public/entry/app-screenshot.png)
- バナー広告なし
- ミュート機能あり
- ダークモード搭載
関連記事
はじめてのパターン認識 9章(前半) - Qiita
部分空間法 機械学習を行うために、マシーンに食わせるデータを準備します。 その際にデータの次元数(... 部分空間法 機械学習を行うために、マシーンに食わせるデータを準備します。 その際にデータの次元数(大きさ)が小さい方がより学習に効果的なので、 $d$次元特徴ベクトル空間を重要な情報をもつ$r(≤d)$次元空間に縮小します。 9章では、教師なし学習次元削除手法の 主成分分析、特異値分解、 部分空間法、カーネル主成分分析、カーネル部分空間法 について取り上げています。 部分空間法、カーネル主成分分析、カーネル部分空間法は難しいので後半に分けます。 なお、はじめてのパターン認識 第4章 確率モデルと識別関数 前半(観測データの線形変換)の話と通じていますので先にご覧ください。 9.1 部分空間 (Subspace) ある構造を持った集合Xについて、空間と呼ばれる構造を保つための部分集合のこと。 1次結合 線形結合、線形和ともいう。ベクトルの定数倍と加え合わせ。 例 2次元数ベクトル $V =
2015/12/03 リンク