【Python実装】ノンパラベイズ3次元無限関係モデル（3D-IRM）をギブスサンプリング（MCMC）で推論 - ガシンラーニング
今回は、書籍「続・わかりやすいパターン認識」の13章で紹介されている無限関係モデル（Infinite Relational Model）のギブズサンプリング（MCMC）による推論を、3次元にカスタマイズした3D-IRM（勝手に名前）をPythonで実装します。 モデルと推論方法に関しては、書籍「続・わかりやすいパターン認識」の13章を参考にしています。詳しくはこちらをご参照ください。 続・わかりやすいパターン認識―教師なし学習入門― 作者: 石井健一郎,上田修功 出版社/メーカー: オーム社 発売日: 2014/08/26 メディア: 単行本（ソフトカバー） この商品を含むブログ (2件) を見る 今回のコードを全てgithubに載せています。遊べるようにnotebookもつけてます。githubはこちら Twitterフォローよろしくお願いいたします！ twitterはこちら 無限関係モ
Python: scipy.sparseで疎行列計算する - け日記
疎行列計算用のモジュール scipy.sparse について解説します。 https://docs.scipy.org/doc/scipy/reference/sparse.html 疎行列クラス 疎行列とは要素のほとんど(90%以上)が0で構成される行列です。 レコメンドやソーシャルグラフなどの分野ではしばしば現れ、総じて巨大な行列(数千×数千〜)のため、そのままではCPUキャッシュやメモリに乗り切らずに非効率な計算になりやすく、扱いが難しいデータです。 こうした疎行列を効率的に扱うために、Pythonではscipy.sparseがよく使われます。 scipy.sparseで提供されている疎行列クラスはいくつかあります。 詳細は公式ドキュメントを参照ですが、代表的な3つのクラス(lil_matrix, csr_matrix, csc_matrix)について紹介します。 https://d
Python で疎行列(SciPy) - 唯物是真 @Scaled_Wurm
疎行列とは 疎行列は成分のほとんどがゼロである行列のことです。 たとえば、文書に登場する単語の頻度を数えたりするとこういった行列になります。 他にも疎なグラフの隣接行列は疎行列になります。 こういった行列は通常の行列(密行列)を使うよりも、少ないメモリで処理できたり、高速に処理できたりすることがあります。 疎行列 - Wikipedia 例えば簡単な例として上の行列を考えます。 この時すべての成分を保存するには個分の数値のメモリが必要になります。 しかし上の行列では非ゼロの要素は3個だけです。 この3個について、以下のように行と列の位置と値だけを覚えておけばとなりすべての成分を記憶しておくよりも効率的なことがわかると思います。 疎行列の種類 上では単純な例を示しましたが、実際の疎行列はそれぞれ特徴の異なる様々な表現手法が用いられていて、SciPyにも以下のような種類の疎行列が実装されていま
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
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
