排序方式: 共有1条查询结果,搜索用时 0 毫秒
1
1.
阐述概率矩阵分解(PMF)广泛被应用于预测缺失值和数据聚类,它把观测数据看成是一个基矩阵和权重矩阵的乘积,这可能会降低模型的灵活性。目前常见的是高斯分布为先验的概率模型,但是高斯分布对于异常值比较敏感,而采用t分布先验的模型能减轻异常值的影响,具有更好地稳健性。为了提高模型的灵活性和稳健性,提出了t分布先验的概率矩阵三因式分解(TBMTF),将观测数据看成三个相互约束的潜在特征矩阵的乘积,假设噪声服从t分布,变分贝叶斯推断进行参数估计。相较于传统的PMF方法,TBMTF方法能更好地识别异常值并做出预测。基于人为数据和真实数据的实验表明,在人为数据的预测效果与真实数据中添加噪声后的预测效果,都表现优秀。 相似文献
1