华为云AI开发平台ModelArts奇异值分解_云淘科技
概述
奇异值分解（Singular Value Decomposition，SVD）一般用于数据挖掘、建模等领域的特征工程过程，是线性代数中一种重要的矩阵分解方法，奇异值分解算子可将1个矩阵分解为3个矩阵。
比如对于m×n 的矩阵A，可根据以下SVD计算公式得到左奇异向量组成的m×k 矩阵U、奇异值组成的k×k 矩阵Σ（对角线上元素被称为奇异值）和右奇异向量组成的n×k 矩阵V：A=UΣVT。
输入
|
参数 |
子参数 |
参数说明 |
|---|---|---|
|
inputs |
dataframe |
inputs为字典类型，dataframe为pyspark中的DataFrame类型对象 |
输出
3个数据集，分别对应矩阵U、矩阵Σ的对角线元素（k个奇异值）和矩阵V。
参数说明
|
参数 |
子参数 |
参数说明 |
|---|---|---|
|
k |
– |
奇异值的个数 |
|
computeU |
– |
是否计算U，默认为False |
|
rCond |
– |
条件值，默认为1e-9 |
样例
inputs = {
"dataframe": None # @input {"label":"dataframe","type":"DataFrame"}
}
params = {
"inputs": inputs,
"k": "", # @param {"label":"k","type":"integer","required":"true","range":"(0,2147483647]","helpTip":""}
"computeU": False, # @param {"label":"computeU","type":"boolean","required":"false","helpTip":""}
"rCond": 1e-9 # @param {"label":"rCond","type":"integer","required":"false","range":"(0,2147483647]","helpTip":""}
}
svd____id___ = MLSSVD(**params)
svd____id___.run()
# @output {"label":"dataframe","name":"svd____id___.get_outputs()['output_port_1']","type":"DataFrame"}
# @output {"label":"dataframe","name":"svd____id___.get_outputs()['output_port_2']","type":"DataFrame"}
# @output {"label":"dataframe","name":"svd____id___.get_outputs()['output_port_3']","type":"DataFrame"}
父主题： 特征工程
同意关联代理商云淘科技，购买华为云产品更优惠（QQ 78315851）
内容没看懂？ 不太想学习？想快速解决？ 有偿解决： 联系专家
