线性因子模型通常用作其他混合模型的组成模块,用于描述数据生成过程。
各种线性因子模型的主要区别在先验概率不一样。概率PCA服从高斯先验。
独立成分分析不服从高斯先验。其功能类似em算法。用于分离特征。区别?
慢特征分析(SFA)源于慢性原则。
稀疏编码可以进行特征选择。
PCA就像在一个流体上按照最大横截面积切了,然后最长的方向就是主成分,正交的最长的就是次长,类推。
具体这张是什么意义就没看懂。。。
线性因子模型通常用作其他混合模型的组成模块,用于描述数据生成过程。
线性因子模型通常用作其他混合模型的组成模块,用于描述数据生成过程。
各种线性因子模型的主要区别在先验概率不一样。概率PCA服从高斯先验。
独立成分分析不服从高斯先验。其功能类似em算法。用于分离特征。区别?
慢特征分析(SFA)源于慢性原则。
稀疏编码可以进行特征选择。
PCA就像在一个流体上按照最大横截面积切了,然后最长的方向就是主成分,正交的最长的就是次长,类推。
具体这张是什么意义就没看懂。。。
线性因子模型通常用作其他混合模型的组成模块,用于描述数据生成过程。