Robust PCA (Principlal Component Pursuit) の実装 - やったことの説明
はじめに 多変量データは実世界の様々なところで現れる(e.g., 画像、音声、動画)．これらの多変量データの多くは、データ自体がもつ次元 (e.g., ピクセル数)よりも小さい次元(自然画像の多様体的なやつ)で表現することができる． データから低次元の構造(低ランク行列)を取り出す代表的な方法として、PCAがある． しかし、実世界で観測されるデータには外れ値が含まれていることが多く、PCAはこの外れ値の影響を強く受けて低ランク行列を求めてしまうという性質がある． 外れ値にロバストに低ランク行列を推定する方法 (a.k.a., robust PCA)として、Principal Component Pursuitが提案されている． ここではPCPの簡単な説明と実装を行い、PCAと比較する． 低ランク行列 なんらかの低ランクな構造を持っている(日本語あやしい)多変量データは低ランクな行列とノイズ
CIFAR-10 と ZCA whitening - まんぼう日記
Theano で Multi Layer Perceptron & Convolutional Neural Net - まんぼう日記 と Theano で MLP & CNN (2) - まんぼう日記 の Convolutional Neural Net の実験のつづきで，MNIST のかわりに CIFAR-10 を使ってみることにしました．ちうことで，CIFAR-10 について．あと，CIFAR-10 では ZCA whitening という前処理をした方がよいかもという話があったので，ついでにそっちの話も． CIFAR-10 CIFAR-10 はこちらで入手できます： CIFAR-10 and CIFAR-100 datasets 32x32画素の小さい画像を10種類のクラスに分類する識別問題用データセットです．クラスあたり6000枚で，学習用が5万枚，テスト用が1万枚あります． と
次元削除 ( t-SNE ) - puyokwの日記
今回は、kaggle のOtto Group Production Classification Challenge の上位の方々が次元削除の手法としてt-SNE(t-distributed stochastic neighbor embedding) を使用されていたので調べてみようと思いました。個人的には、pca(主成分分析) ぐらいしか思い付かなかったのですが、それぞれ比較しながら見ていきます。 t-sne の詳細についてこちらを参考にするといいかと思います。 http://jmlr.org/papers/volume9/vandermaaten08a/vandermaaten08a.pdf こちらに書かれているようにt-SNE は高次元のものを2 または3 次元に写像するように作られています。とりあえず、R のtsne package を試してみます。(あとでより高速なRtsne
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
処理を実行中です
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
Efficient initialization for nonnegative matrix factorization based on nonnegative independent component analysis
CRAN - Package irlba
