问题标签 [matrix-factorization]

我想从一个 mxn 矩阵 A 开始，并将其分解为两个矩阵 mxr 和 rxn。r 可以大于矩阵 A 的维数。

nnmf 只允许r< min(size(A))

有没有办法可以将矩阵分解为两个矩阵？

我在 R 中有一个稀疏矩阵

我现在希望对 R 执行非负矩阵分解

data.txt 是我使用 python 创建的一个文本文件，它由 3 列组成，其中第一列指定行号，第二列指定列号，第三列指定值

数据.txt

原始 data.txt 包含 164009 行，这是 250000x250000 稀疏矩阵的数据

我使用了 NMF 库，我正在做

它给了我一个错误：

函数错误（类、fdef、mtable）：无法找到函数 nmf 的继承方法，用于签名“dgCMAtrix”、“missing”、“missing”

谁能帮我弄清楚我做错了什么？

我正在通过 Cholesky 分解使用不同的库计算方阵的逆。然而，我的结果并不像我预期的那样。我不是数学专家，但我期待得到更接近的结果。

我正在使用 MLK、magma 和 CULA 库来计算 CPU 和 GPU 中矩阵的逆矩阵。在对这些库进行计算后，我注意到结果总是在一个元素上有所不同。假设我想计算 的倒数A= [0.237306,0.000458;0.000458,0.238497]：

我得到的结果是：

但是，正确的结果应该是

如您所见，inv(A)[3]虽然其他都很好，但它们是不同的。Cholesky Inversion 应该是这样工作的吗？这是一个正确/近似的结果还是我在这里做错了什么？

在 Matlab 2012 中，该cholinc命令被标记为过时。警告消息说它将被替换为ichol. 直到现在我都在使用cholinc(A,droptol)，通常与droptol=1E-15. 在我尝试使用的新版本中ichol(A,struct('droptol',droptol,'type','ict'))，大部分时间都可以使用，但有时我会收到警告消息

这是一个基本问题（即一个问题cholinc也有但没有报告）还是有办法让ichol行为像cholinc以前那样？

我有一个稀疏矩阵，其形状为570000*3000。我试过nima做 NMF（使用默认的 nmf 方法，并设置max_iter为 65）。但是，我发现 nimfa 非常慢。有没有人使用更快的库来做 NMF？

给定L和U LU 分解和常数向量b这样LU*x=b ，是否有任何内置函数可以找到x？意思是 -

请注意，在两者中L，U我们都在处理三角矩阵，它可以通过前向和后向替换直接求解，而无需使用高斯消元过程。

编辑 ：

求解这个线性方程组应该按照以下步骤——

编辑 2：

我找到了 linalg::matlinsolveLU 但我没有尝试，因为我的版本太旧 ( R2010a) 。它对任何人都有效吗？

我需要在我的 C++ 程序中执行 LU 分解（分解，有什么区别？）的函数或类。我正在用作编译器 Dev-c 最新版本（在 Windows 上）。我想出了如何安装犰狳和 lapack，但它似乎真的很复杂，并且有一些问题http://icl.cs.utk.edu/lapack-for-windows/lapack/（如页面底部所说） . 所以我想要一个运行良好的库（在 C++ 中）并且安装起来并不复杂。我在示例中找到了一些关于 Eigen 的东西，怎么样？还有其他建议吗？

谢谢

PS 矩阵在对角线上和附近是密集的，在其余部分是稀疏的，并且靠近角 (NE) 的部分是空的。

我有一个大（~25000 x 1000）矩阵要分解。我基于 numpy 编写了自己的代码，但它效率低下并且不断抛出内存错误。

我一直在尝试安装和使用 nimfa ( http://nimfa.biolab.si/ )，并且安装过程（尝试过 easy_install、pip 以及下载和运行 git）没有显示任何错误。但是当我尝试使用它调用它时import nimfa，出现以下错误。我检查了 nimfa 先决条件，除了 numpy 和 scipy 之外，它没有提及任何内容。

我在 Windows 8 上，并使用安装了 numpy 和 scipy 的 Python 2.7.5。我也尝试过安装（并随后卸载）minGW 并执行此操作。

有任何想法吗？

我必须将MatrixR[m n] 分解为两个低秩矩阵（U[K m] 和 V[K*n]），我这样做是为了通过 U 和 V 预测 R 的缺失值。

问题是，对于分解R ，我不能使用Matlab分解方法，所以我必须研究目标函数，以最小化sum-of-squared-errors提高分解精度：
详细信息如下所示：

我在这篇文章中的问题是如何在使用随机梯度下降法将 R 分解为 U 和 V 矩阵中最小化函数 F。Matlab

谢谢你的帮助！

我正在使用带有 Scipy 的稀疏矩阵为推荐系统实现随机梯度下降算法。

这是第一个基本实现的样子：

不幸的是，我的代码仍然很慢，即使是一个小的 4x5 评级矩阵。我在想这可能是由于循环的稀疏矩阵。我尝试过使用花哨的索引来表达 q 和 p 的变化，但是由于我对 scipy 和 numpy 还是很陌生，所以我想不出更好的方法来做到这一点。

您对我如何避免显式迭代稀疏矩阵的行和列有任何指示吗？