【python】sklearnのPCAでsvd_solverによる速度差を比較 - 静かなる名辞
sklearnのPCA（主成分分析）がやたら遅くて腹が立ちました。計算コストを下げるために次元削減してるのに、次元削減で計算コスト食ったら意味がありません。 とにかくこのPCAを高速化したかったので、svd_solverを変えてどうなるか試しました。なお、腹が立つくらい遅かった理由は最終的にちゃんとわかったので、この記事の最後に載せます。 目次 svd_solverとは 実験 結果 まとめ おまけ：腹が立った理由 スポンサーリンク svd_solverとは PCAは内部で特異値分解（SVD）を使っています。この特異値分解がコンピュータにやらせるにはそれなりに計算コストの高い処理で、とりあえずアルゴリズムが何種類かあるようです。 sklearnのPCAで使える（指定できる）アルゴリズムは次の4つです。 auto デフォルト値。500*500以下の入力データならfullを、それ以上ならrand
ダンゴムシでもわかる特異値分解（SVD） - 論理の流刑地
無脊椎動物なめんな。節足動物なめんな。 Introduction SVDの概要 基本の定義 便利な別表現 基本性質 前提知識：フロベニウスノルムによる距離の定義 性質①：最小二乗近似を得る方法としてのSVD 性質②：行列と転置行列との積の成分分解 性質②の具体的な例 性質③：2つの特異ベクトル間の変換 固有値分解との関係性 実装方法 Rで確認 Conclusion Introduction この世に生を受けて30年以上たつけど、もう5万回くらいSVDのやりかたを覚えて忘れてまた覚え直すを繰り返している。 肌身に染み込んで行かないのが文系ブレインの限界ですよね... ゆえに、SVDの概要・用途・実装方法をここに記す。 [参考文献] ①：千葉大羽石研究室のサイト（授業「医用画像工学」のスライド） ②：小野滋さんのWeb上の公開資料（Greenacre1984の和訳・解説） ③：ボレガラ・岡崎・
E資格で必須の特異値分解解説 - HELLO CYBERNETICS
はじめに 特異値分解 定義 特異値分解の嬉しさ 行列の低ランク近似 主成分分析の解法 行列による増幅率を定義 特異値と特異ベクトルの実態 最後に はじめに 予め断っておきます。私はE資格を持っていませんし受けたこともありません。 なんか特異値分解は知識として必須らしいという話だけ聞きました。なのでタイトルに入れました（完全に検索対策である）。 タイトルは動機不純として…、特異値分解はデータ分析にしても信号解析にしても、線形代数での必須知識だと思われるのでここで解説しておきます。 特異値分解 定義 特異値分解は定義だけ述べれば、行列 $\mathbf X \in \mathbb C ^ {m \times n}$ に対する下記で表される分解手法です。 $$ \bf X = U \Sigma V ^ * $$ ここで $\mathbf U \in \mathbb C ^ {m \times m
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
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
