截斷SVD VS偏SVD

有人可以告訴我，截斷SVD之間的差額作爲sklearn實施，爲實現局部SVD，比方說，fbpca？截斷SVD VS偏SVD

我無法找到一個明確的答案，因爲我還沒有看到任何人使用截斷SVD爲主要成分的追求（PCP）。

來源

2015-08-21 slaw

截短的或部分的裝置，你只計算一定數量的組件/奇異向量 - 值對（最強的）的。

在scikit學習的說法，「部分」通常是指這樣的事實：一種方法是就行，這意味着它可以與部分數據被饋送。您提供的數據越多，它將收斂到預期的最佳狀態。

兩者可以結合起來，並一直，也sklearn：sklearn.decomposition.IncrementalPCA做到這一點。

來源

2015-08-26 20:32:28 eickenberg

因此，部分SVD相當於增量PCA在sklearn？我很困惑。如果是這樣，那麼用於主分量追蹤（即強健的PCA）的是什麼？ – slaw

強大的pca在低位+稀疏的紙條？ – eickenberg

是的，Candes紙。正如我目前所瞭解的（如果我錯了，糾正我），PCP可用於將矩陣（M）分解爲低秩（L）和稀疏（S），並且通常使用部分SVD來實現。我想知道如何使用sklearn/Python來獲取L + S，而不必根據論文來滾動我自己的算法。另外，如果M太大而不適合記憶，我該怎麼辦？您是否已經有了一個確定L + S的在線方法？在此先感謝 – slaw

截斷SVD VS偏SVD

回答

相關問題