非線形SVMとscikit-learnによる実装 - Qiita
以前（というか昨年のAdvent Calender）線形SVMについて書かせていただいたのですが、非線形の部分に触れられずに終わってしまったので、今回は続きということで非線形SVMについてまとめてみようと思います。 前回の記事は以下になります。 線形SVM(Machine Learning Advent Calendar 2015) 非線形SVMとは 前回の線形SVMでは、データ集合の実空間上に線形な境界を設けることで、データ集合を２つのグループに分類していました。 例えば、二次元空間上に存在するデータ集合を２つのグループに分類したいとき、線形SVMを使えば両グループが最も乖離する位置に線形な境界（超平面）を定義でき、データ集合を2分することができます（なおこのときのデータ集合は訓練集合であり、各データの正解ラベルはわかっているものとします）。 （同じ色の点は、同じグループのデータであるこ
scikit-learnで Non-negative Matrix Factorization(NMF) - Qiita
NMFは次元削減の手法であり､レコメンドの精度を高めることができるといわれています。 機会学習ライブラリのscikit-learnでもNMFを簡単に使うことができます。 今回は､具体例を用いて試して､NMFを直感的に理解することが目的です。 「Matrix Factorizationとは」という記事がわかりやすいです。 NMFとは レコメンドとしてのMatrix Factorizationについてざっくりと理解するには､英語ですが､以下の資料がわかりやすいです。 Matrix Factorization Techniques For Recommender Systems このスライドにある図を引用しながら軽くイメージを説明します。 NMFの手法が一躍有名になった､Netflix Prizeを想定し､ユーザーとその人がどの動画に何点の評価をつけたかを表す行列が与えられるとします(左のRat
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
https://qiita.com/gash717/items/cea49826f9bd023f2184
