某所で機械学習の講習会(?)のようなものをしたときの資料です. 機械学習によるデータ分析について,アルゴリズムやツールの使い方*以外*の部分で 重要だと思うことを重点的にまとめたつもりです.Read less
![機械学習によるデータ分析まわりのお話](https://cdn-ak-scissors.b.st-hatena.com/image/square/fc48b5b0e7fca1d492336dd98cc1c0a925bf75b7/height=288;version=1;width=512/https%3A%2F%2Fcdn.slidesharecdn.com%2Fss_thumbnails%2Frandom-150204215702-conversion-gate01-thumbnail.jpg%3Fwidth%3D640%26height%3D640%26fit%3Dbounds)
Cholesky 分解ノート 桂田 祐史 2008 年 6 月 9 日 書きかけである。 • 修正 Cholesky 分解のコード • 帯行列の場合のコード • Sylvester の慣性律のきちんとした説明 などは書いておきたい。それから最初のうちは下三角因子 L を求めるように書いておいたが、 実際には上三角因子 U を求めるようにしているプログラムが多いので、いっそのこと、最初 から U を求めるような説明にしておくのが良いかもしれない。 1 序 広い意味の コレスキー, ホレスキー Cholesky 分解とは、対称行列に特化した LU 分解である。 この文書では行列は実行列であるとするが、複素行列の範囲で考えることも可能である (転 置の代りに Hermite 共役、実対称の代りに Hermite とするわけである)。 正則行列の LU 分解は線型計算において重要な基本操作である
連立方程式を解くために不完全LU分解前処理つき双共役勾配法 について勉強しています。 前処理の際に、行列Aを不完全LU分解しその逆行列(LU)^(-1)というのを使用します。LU分解まではできたのですが、この逆行列は普通にLU分解+直接法という形でもとめるのでしょうか。だとしたら、直接法をつかっていてあまり高速化が期待できない様な気がしました。 不完全コレスキー分解つき共役勾配法(ICCG)のときは、不完全コレスキー分解後、間接的にAの逆行列をもとめて使用する方法がありましたのでなにかいい方法があるのかと思い質問しました。 はじめてのプログラミングで見当違いなことをいっているかもしれませんがよろしくおねがいします。
この記事には参考文献や外部リンクの一覧が含まれていますが、脚注による参照が不十分であるため、情報源が依然不明確です。適切な位置に脚注を追加して、記事の信頼性向上にご協力ください。(2022年7月) コレスキー分解(コレスキーぶんかい、英: Cholesky decomposition, Cholesky factorization)とは、正定値エルミート行列 A を下三角行列 Lと L の共役転置 L* との積に分解することをいう。 A のエルミート性を利用したLU分解の特別な場合である。L の対角成分は実数にとることができて(符号・位相の自由度があるが)通常は、対角成分を正の実数に採り、その場合には、L は一意に定まる。アンドレ=ルイ・コレスキー(仏語の発音はショレスキー)にちなんで名づけられた。 A が実対称行列の場合、上式の共役転置は転置に単純化される。 エルミート対称行列 A が正
概要 CG法(Conjugate Gradient Methods)はM.R.HestenesとE.Stiefelによって1952年に提案された方法である[1]。 CG法は正定値対称行列に対して使われる連立一次方程式を反復法で解くための手法である。 行列の正値対称性 ベクトルの内積をのように書く。 実行列が正定値対称とは、 ということであり、が対称であるということは、 が成り立つということである。 CG法の基本原理 今、次のような線形同次方程式を解くとする。 CG法は回目の反復において、次のようにこの方程式の解や誤差を用いて定義される誤差のノルム (等号成立はのとき) を最小化するような近似解を部分空間の中から見つける方法である。但し、はクリロフ部分空間(Krylov Subspace)である。 つまりCG法は次のような連立一次方程式の近似解を探すための方法である。 このように部分空間の中
前処理つきCG法(PCG法) 前節ではCG法の収束が行列の固有値分布に強く依存することが分かった。 ここで、解くべき方程式を行列を使って次のように変形できたとする。 但し、、、である。ここで、は特異でない行列である。 が正定値対称の場合、も正定値対称となる。そこで連立一次方程式にCG法を適応することを考える。 もしも、がよりも条件数が小さいようなよい固有値の分布をしているとすると、より早く解を求めることができることが分かる。 ここで行列とおく。以下、行列、やを用いることなく、の逆行列のみを用いて、連立一次方程式にCG法を適応しているのと同一になるようにCG法のアルゴリズムを書き直す。 の時、となり、変形した連立一次方程式は解かずとも解が求められる。 連立一次方程式にCG法した際の残差、探索方向ベクトルとする。 よって、、とおくと、CG法の係数は次のように表すことができる。 CG法の関係式か
線型代数、数値解析 (数値線形代数) において、行列Aの前処理行列Pとは、P−1AがAより小さな条件数を持つ行列を指す。 前処理は、大規模疎行列を係数とする連立一次方程式 を解くために反復法を用いる場合に有効である。これは、ほとんどの反復法で行列の条件数が増大するに従って収束率が低下するためである。具体的には、元の方程式を解く代わりに、左前処理を適用した方程式
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