在推荐算法中，样本空间构成的数据矩阵一般为稀松矩阵，且维数一般较多，可通过求取特征值或者奇异值的方式获得样本矩阵的特征矩阵，从而降低维数。
主成分分析法在矩阵降维中有很好的应用。
本文通过特征值分解、奇异值分解、PCA等操作可以获得降维后的矩阵，通过使用不同的相似度判别法获得最好的相似度，可以使得推荐算法具有很好的效果。
主成分分析法在矩阵降维中有很好的应用。
本文通过特征值分解、奇异值分解、PCA等操作可以获得降维后的矩阵，通过使用不同的相似度判别法获得最好的相似度，可以使得推荐算法具有很好的效果。
2024/2/3 9:17:28
360KB
1
本人在https://blog.csdn.net/u010006643/article/details/46417127博客上看到的，奈何数据库没有，本人结合网上流传的数据库yale,写下了可以运行得出结果的PCA降维，人脸识别程序，特别适合numpy和PCA学习。
我第二次上传资源，感谢平台支持。
谢谢大家支持。
代码注释很详细，注意我把人脸图片在文件夹之内看成二维的数组。
实验表明，PCA对于光照很敏感。
我第二次上传资源，感谢平台支持。
谢谢大家支持。
代码注释很详细，注意我把人脸图片在文件夹之内看成二维的数组。
实验表明，PCA对于光照很敏感。
2024/1/29 17:14:48
1.52MB
1
中科大软件学院张曙老师算法导论课程资料（课件+历年考试真题和2019.1期末考试一致），绝对靠谱，由于之前下载积分已经被CSDN自动提升到了23分，我现在手动降回了5分，希望可以帮到大家。
2024/1/24 1:48:42
103.25MB
1
本程序采用16QAM调制方式，对一串2进制信源进行调制，用升余弦滚降函数进行基带调制，再调到高频信道；
在信道上加入高斯白噪声，运用匹配滤波器解调，画出解调星座图，运用最小欧氏距离译码判决，计算误比特率。
在信道上加入高斯白噪声，运用匹配滤波器解调，画出解调星座图，运用最小欧氏距离译码判决，计算误比特率。
2024/1/20 11:34:27
105KB
1
将节点相似度矩阵，作为深度稀疏自动编码器的输入，并通过不断迭代，作为输出低维特征矩阵。
（matlab编写）
（matlab编写）
2024/1/20 9:37:03
1.13MB
1
PCA（主成分分析）算法，主要用于数据降维，保留了数据集中对方差贡献最大的若干个特征来达到简化数据集的目的。
实现数据降维的步骤：1、将原始数据中的每一个样本用向量表示，把所有样本组合起来构成一个矩阵，通常需对样本矩阵进行处理，得到中性化样本矩阵2、求样本矩阵的协方差矩阵3、求协方差矩阵的特征值和特征向量4、将求出的特征向量按照特征值的大小进行组合形成一个映射矩阵。
并根据指定的PCA保留的特征个数取出映射矩阵的前n行或者前n列作为最终的映射矩阵。
5、用映射矩阵对数据进行映射，达到数据降维的目的。
实现数据降维的步骤：1、将原始数据中的每一个样本用向量表示，把所有样本组合起来构成一个矩阵，通常需对样本矩阵进行处理，得到中性化样本矩阵2、求样本矩阵的协方差矩阵3、求协方差矩阵的特征值和特征向量4、将求出的特征向量按照特征值的大小进行组合形成一个映射矩阵。
并根据指定的PCA保留的特征个数取出映射矩阵的前n行或者前n列作为最终的映射矩阵。
5、用映射矩阵对数据进行映射，达到数据降维的目的。
2024/1/6 15:32:43
24KB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB