数据挖掘
来源:互联网 发布:iis php mysql 编辑:程序博客网 时间:2024/05/16 06:02
1. 低秩矩阵恢复
低秩矩阵恢复主要应用于推荐算法,对矩阵中的未评分位置进行评分。具体原理推导见这里吧:http://download.csdn.net/download/zk_j1994/9983147
代码:
# -*- coding: utf-8 -*-"""基于矩阵分解的推荐算法1. 使用梯度下降进行迭代更新;"""import numpy as npimport matplotlib.pyplot as pltnp.random.seed(1)def load_data(): data = [[0, 0, 0, 0, 0, 4, 0, 0, 0, 0, 5], [0, 0, 0, 3, 0, 4, 0, 0, 0, 0, 3], [0, 0, 0, 0, 4, 0, 0, 1, 0, 4, 0], [3, 3, 4, 0, 0, 0, 0, 2, 2, 0, 0], [5, 4, 5, 0, 0, 0, 0, 5, 5, 0, 0], [0, 0, 0, 0, 5, 0, 1, 0, 0, 5, 0], [4, 3, 4, 0, 0, 0, 0, 5, 5, 0, 1], [0, 0, 0, 4, 0, 4, 0, 0, 0, 0, 4], [0, 0, 0, 2, 0, 2, 5, 0, 0, 1, 2], [0, 0, 0, 0, 5, 0, 0, 0, 0, 4, 0], [1, 0, 0, 0, 0, 0, 0, 1, 2, 0, 0]] return np.array(data)def gradAscent(data, K, max_iter, alpha, beta): """ 梯度下降更新P, Q矩阵的元素, 使均方误差最小 """ if not isinstance(data, np.matrix): data = np.mat(data) # 初始化P, Q矩阵 n, m = data.shape P = np.mat(np.random.random((n, K))) Q = np.mat(np.random.random((K, m))) print("\nP = \n{0}".format(P)) print("\nQ = \n{0}".format(Q)) loss_list = [] _iter = 0 while _iter < max_iter: # 更新P, Q中的每一个元素 for i in range(n): for j in range(m): if data[i, j] > 0: error = (data[i, j] - P[i, :] * Q[:, j])[0, 0] # (i, j)处的误差 for k in range(K): P[i, k] = P[i, k] + alpha * (2 * error * Q[k, j] - beta * P[i, k]) Q[k, j] = Q[k, j] + alpha * (2 * error * P[i, k] - beta * Q[k, j]) # 计算原矩阵和恢复矩阵之间的误差 loss = 0 for i in range(n): for j in range(m): if data[i, j]> 0: for k in range(K): loss += P[i, k] * Q[k, j] loss = np.sum(abs(data[i, j] - loss)) loss_list.append(loss) if loss <= 1e-3: break _iter += 1 return P, Q, loss_listdef draw_loss(loss): plt.plot(range(len(loss)), loss) plt.show() if __name__ == "__main__": data = load_data() P, Q, loss = gradAscent(data, 5, 20000, 0.0002, 0.02) print("\n恢复矩阵 = \n{0}".format(P * Q)) draw_loss(loss)
loss下降过程:
2. 非负矩阵分解
非负矩阵分解与低秩矩阵恢复类似,他们的三个矩阵的元素都要求非负。不同的是低秩矩阵恢复是预测原矩阵中为0的位置;而非负矩阵分解认为原矩阵是完整的。假设原矩阵R(n * m) = M(n*k) x N(k*m);非负矩阵的应用主要有:
2.1 文本挖掘
假设文本矩阵为n * m,即n篇文章,m个单词,其中的元素为单词出现的次数。将矩阵分解之后,k即为特征的个数或者说主题的个数。在M中我们容易得出每篇文章最重要的几个主题;而在N中我们容易得出每个主题最重要的一些单词。
# -*- coding: utf-8 -*-"""非负矩阵分解用于 - 主题模型使用了一种很奇特的算法: 乘法更新法则恢复原矩阵"""import numpy as npnp.random.seed(1)def _cal_diff(matrix, recover): """ 计算重构矩阵与原矩阵之间的误差 recover: 重构矩阵 """ return abs(matrix - recover).sum()def factorize(m, fea_num = 6, _iter = 2000): """ 对矩阵进行分解, 重构 m: 一行代表一篇文章, 一列代表一个单词; fea_num: 为当前matrix寻找feature的个数; 该算法的核心 - 四个矩阵 hn = w' * m hd = w' * w * feature """ if not isinstance(m, np.matrix): m = np.matrix(m) print("请确保输入m是一个行为文章, 列为单词的矩阵.") # 1. 随机初始化权重矩阵和特征矩阵 weight = np.matrix(np.random.random((m.shape[0], fea_num))) feature = np.matrix(np.random.random((fea_num, m.shape[1]))) # 2. 循环更新矩阵 for i in range(_iter): # 2.1 计算重构矩阵和原矩阵的误差 lose = _cal_diff(m, weight * feature) if i % 10 == 0: print("\n原矩阵与重构矩阵之间的lose = {0}".format(lose)) if lose <= 1e-3: return weight, feature # 2.2 更新特征矩阵 hn = weight.T * m; hd = weight.T * weight * feature feature = np.matrix(np.array(feature) * np.array(hn) / np.array(hd)) # 2.3 更新权重矩阵 wn = m * feature.T; wd = weight * feature * feature.T weight = np.matrix(np.array(weight) * np.array(wn) / np.array(wd)) return weight, feature if __name__ == "__main__": # 1. 文本寻找主题 data = [[0, 0, 0, 0, 2, 4, 0, 0, 3, 0, 5], [0, 0, 0, 3, 0, 4, 0, 0, 0, 0, 3], [0, 0, 0, 0, 4, 0, 0, 1, 0, 4, 0], [3, 3, 4, 0, 0, 0, 0, 2, 2, 0, 0], [5, 4, 5, 0, 0, 0, 0, 5, 5, 0, 0], [0, 0, 0, 0, 5, 0, 1, 0, 0, 5, 0], [4, 3, 4, 0, 0, 0, 0, 5, 5, 0, 1], [0, 0, 0, 4, 0, 4, 0, 0, 0, 0, 4], [0, 0, 0, 2, 0, 2, 5, 0, 0, 1, 2]] weight, feature = factorize(data, 3) recover = np.mat(weight) * np.mat(feature) """ 对第0篇文章进行分析: 第0篇文章在7个特征(主题)上的权重weight[0,:] = [0.009, 2.817, 0.589, 0, 0, 0, 0] 我们又容易从feature矩阵中获取每个特征中, 每个单词的重要性。 因此我们可以为第0篇文章选出2个最大的特征, 每个特征我们取3个最重要的单词: 2.817: [第10个单词, 第5个单词, 第8个单词] 0.589: [第4个单词, 第9个单词, 第5个单词] 这两个特征极有可能代表两个不同的主题, 但这篇文章主要和2.817那个特征(主题相关) """ # 2. 数据降维 data = [[5, 5, 3, 0, 5, 5, 4, 3, 2, 1, 4, 1, 3, 4, 5], [5, 0, 4, 0, 4, 4, 3, 2, 1, 2, 4, 4, 3, 4, 0], [0, 3, 0, 5, 4, 5, 0, 4, 4, 5, 3, 0, 0, 0, 0], [5, 4, 3, 3, 5, 5, 0, 1, 1, 3, 4, 5, 0, 2, 4], [5, 4, 3, 3, 5, 5, 3, 3, 3, 4, 5, 0, 5, 2, 4], [5, 4, 2, 2, 0, 5, 3, 3, 3, 4, 4, 4, 5, 2, 5], [5, 4, 3, 3, 2, 0, 0, 0, 0, 0, 0, 0, 2, 1, 0], [5, 4, 3, 3, 2, 0, 0, 0, 0, 0, 0, 0, 1, 0, 1], [5, 4, 3, 3, 1, 0, 0, 0, 0, 0, 0, 0, 0, 2, 2], [5, 4, 3, 3, 1, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1]] # 2.1 sklearn数据压缩 from sklearn.decomposition import NMF Model = NMF(n_components=2) W = Model.fit_transform(data) """ NMF用于数据降维 weight就是降维结果, 其次NMF还可以用于图像无损压缩等等, 节约存储空间; """ # 3. 总结 # 其实文本寻找主题也是一个降维的过程, 将一个含有数千个单词的文章进行维度约简, 留下少量单词代表文章主题
3. 注意
显然K越大,则P,Q矩阵更为复杂,能够更好地拟合原矩阵,但也容易导致过拟合;而K越小,则P,Q更简单,模型更精简。
同时,对于非负矩阵分解而言,k的大小决定了所有文章能生成多少个主题,一般根据经验决定,或者尝试调节k的大小。
参考文献
http://m.blog.csdn.net/winone361/article/details/50705739
https://wenku.baidu.com/view/7bbaf0739b6648d7c1c74687#28
http://blog.csdn.net/google19890102/article/details/51124556
阅读全文
0 0
- 数据挖掘--序列挖掘
- 数据挖掘--文本挖掘
- 数据挖掘
- 数据挖掘
- 数据挖掘
- 数据挖掘
- 数据挖掘
- 数据挖掘
- 数据挖掘
- 数据挖掘
- 数据挖掘
- 数据挖掘
- 数据挖掘
- 数据挖掘
- 数据挖掘
- 数据挖掘
- 数据挖掘
- 数据挖掘
- centoos安装rabbitmq
- PAT 1033. To Fill or Not to Fill
- 跑马灯来回跑
- 【转】C++顺序性容器、关联性容器与容器适配器
- 集合最终讲解
- 数据挖掘
- oracle中常用到的权限
- Java小白起步_S3(CSS)
- 消息总线(MQ)知多少
- Codeforces 851B. Arpa and an exam about geometry 计算几何,结论题
- vue热点新闻轮动
- 教您如何解决oracle分页查询数据重复问题
- 操作系统——存储管理:分区、分页、分段、请求式分页和虚拟内存
- 熟能生巧vector