1回答
我目前正在使用袋的文字和the技术来挑选最重要的特点。在此之后，我还将实现潜在语义分析(LSA)，以降低维数。我怎样才能做到呢？以下是我的当前代码：with open("/Users/zo/X-train.txt") as f: results.extend(line.strip().split('\n'))blob=list(results)Y= vector.fit_transform(r
浏览 2提问于2016-01-30得票数 1
问题1:当我这样做的时候：model = TruncatedSVD()from sklearn.decomposition import TruncatedSVDsvd_1 = model.fit
浏览 3提问于2016-01-12得票数 8
回答已采纳
1回答
我能从TruncatedSVD那里得到类似的东西吗？我想知道是否值得让TruncatedSVD返回更多组件。
注意:我甚至不知道“解释方差”的概念是否适用于TruncatedSVD技术。
浏览 3提问于2013-12-13得票数 2
回答已采纳
recent call last): from sklearn.decomposition import TruncatedSVDImportError: cannot import name TruncatedSVD
有谁能帮帮我吗？
浏览 2提问于2014-04-25得票数 1
嗨，我正在为一场卡格勒比赛准备剧本。但是当我运行这个脚本时，我得到了一个ValueError有谁能告诉我，在这一点上，如何找出有多少功能。当我将n_components设置为0时，我不认为它是有用的。我也读过文档，但我解决不了这个问题。格里茨·亚历克斯
浏览 4提问于2016-02-20得票数 2
回答已采纳
我正在将sklearn.decomposition.TruncatedSVD应用于非常大的矩阵。如果矩阵大于某一大小(例如350 K乘25k)，svd.fit(x)就会耗尽内存。I.：svd = TruncatedSVD(n_components=128)from sklearn.decomposition import TruncatedSVD
svd = Tr
浏览 1提问于2017-04-21得票数 2
回答已采纳
当我使用sklearn.__version__ 0.15.0运行这段代码时，会得到一个奇怪的结果：from scipy import sparse [1, 0, 0, 0, 0, 1, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
浏览 3提问于2014-07-21得票数 4
回答已采纳
我用30000×40000的术语文档矩阵的truncatedSVD将维度降到3000维，使用'arpack‘时，方差比约为0.5 (n_iter=10)，方差比约为0.9。那么，为什么scikit学习truncatedSVD使用“随机”算法作为默认算法呢？
浏览 7提问于2016-04-23得票数 4
回答已采纳
我计划使用Pandas get_dummies()生成一个70000行150000列的大型稀疏矩阵，但是我得到了一个MemoryError。我如何在这个稀疏矩阵上应用PCA来降维？
浏览 1提问于2015-11-06得票数 0
2回答
在矩阵上使用降维
、、、
对于有监督的学习，我的矩阵大小真的很大，因此只有某些模型同意与它一起运行。我读到PCA可以在很大程度上帮助降低维数。def run(command): return output
vocab_temp = f.read().split()col = len(vocab_temp)
print
浏览 5提问于2016-01-16得票数 1
1回答
我正在尝试使用sklearn truncatedSVD方法来实现协同过滤。然而，我收到了非常高的rmse，这是因为我对每一个推荐都得到了非常低的评分。我在一个稀疏矩阵上执行truncatedSVD，我想知道这样低的推荐是不是因为truncatedSVD接受非分级电影作为0级电影？如果没有，你知道什么可能会导致低推荐吗？谢谢!
浏览 1提问于2015-06-25得票数 2
1回答
TruncatedSVD的解释方差比不是降序的，不像sklearn的PCA。另一方面，TruncatedSVD利用变换矩阵列的方差来计算explained_variance，因此方差不一定是降序的。这是否意味着我需要首先对explained_variance_ratio和TruncatedSVD进行排序，才能找到最上面的k个主组件？
浏览 2提问于2016-02-09得票数 12
2回答
：data = sparse.csr_matrix(data.values)model.fit(data)
现在，TruncatedSVD确实从not获取稀疏矩阵，但它不接受NaN。
浏览 2提问于2017-10-27得票数 0
回答已采纳
1回答
from sklearn.decomposition import TruncatedSVDpca.n_components = 10048
pca_data
浏览 1提问于2019-05-14得票数 5
from sklearn.decomposition import TruncatedSVD
SVD = TruncatedSVD(n_components=40, n_iter=7, random_state我不明白这是TruncatedSVD还是UMAP造成的。我使用random_state=42来阻止事情的改变，但是看起来并没有真正的效果。
浏览 1提问于2019-12-16得票数 0
回答已采纳
2回答
我有以下代码import numpy as npdf = dfdates, columns=list('ABCDEFGHIJKLMOPQRSTUVWXYZ'))
svd = sklearn.decomposition.TruncatedSVD
浏览 2提问于2017-06-19得票数 5
回答已采纳
stop_words=ENGLISH_STOP_WORDS)
print('Dimensions: ', cv.shape)
cv_lsa = TruncatedSVD(n_components=cv.shape[1]-1)
cv_lsa_data = cv_lsa.fit_transformcv_lsa.explained_variance_ratio_.cumsum(), .8
浏览 2提问于2019-07-01得票数 0
回答已采纳
我的原始矩阵svd = TruncatedSVD(n_components=200, random_state
浏览 4提问于2018-03-19得票数 2
0回答
SVD不产生缩减的维度
、、、、
运行以下代码：import numpy as npsvd = TruncatedSVD(n_components=2, n_iter=7, random_state是否可以使用TruncatedSVD，以便数据集的每一行都可以减小到大小2，而不是将整个矩阵减小到大小2？
浏览 0提问于2018-07-23得票数 0
回答已采纳
我正在尝试使用TF-IDF和SVM将文档分类为欺骗性或真实性。我知道以前有人这样做过，但我不太确定我是否正确地实现了它。我有一个文本语料库，正在构建TF-IDF，例如tf_idf_model = vectorizer.fit_transform(corpus)对于分类：random.seed(see
浏览 0提问于2016-06-10得票数 1
云服务器
ICP备案
对象存储
实时音视频
云直播
腾讯云开发者
