餐館可劃分為很多類別，比如美式、中式、日式、牛排館、素食店，等等。你是否想過這些
類別夠用嗎?或許人們喜歡這些的混合類別，或者類似中式素食店那樣的子類別。如何才能知道
到底有多少類餐館呢?我們也許可以問問專家?但是倘若某個(gè)專家說應(yīng)該按照調(diào)料分類，而另一
個(gè)專家則認(rèn)為應(yīng)該按照配料分類，那該怎么辦呢?忘了專家，我們還是從數(shù)據(jù)著手吧。我們可以
對(duì)記錄用戶關(guān)于餐館觀點(diǎn)的數(shù)據(jù)進(jìn)行處理，并且從中提取出其背后的因素。
    這些因素可能會(huì)與餐館的類別、烹飪時(shí)所用的某個(gè)特定配料，或其他任意對(duì)象一致。然后，
我們就可以利用這些因素來估計(jì)人們對(duì)沒有去過的餐館的看法。提取這些信息的方法稱為奇異值分解(Singular Value Decomposition, SVD)。從生物信息學(xué)到金融學(xué)等在內(nèi)的很多應(yīng)用中，SVD都是提取信息的強(qiáng)大工具。
    本章將介紹SVD的概念及其能夠進(jìn)行數(shù)據(jù)約簡的原因。然后，我們將會(huì)介紹基于Python的
SVD實(shí)現(xiàn)以及將數(shù)據(jù)映射到低維空間的過程。再接下來，我們就將學(xué)習(xí)推薦引擎的概念和它們的
實(shí)際運(yùn)行過程。為了提高SVD的精度，我們將會(huì)把其應(yīng)用到推薦系統(tǒng)中去，該推薦系統(tǒng)將會(huì)幫助
人們尋找到合適的餐館。最后，我們講述一個(gè)SVD在圖像壓縮中的應(yīng)用例子。

總結(jié)

以上是生活随笔為你收集整理的chapter14 机器学习之利用SVD简化数据的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。