开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

为什么有两个类，LDA只给出一个维度？

LDA（Latent Dirichlet Allocation）是一种用于主题建模的概率模型，它假设每个文档包含多个主题，每个主题又由多个单词组成。在LDA中，每个文档可以被表示为主题的概率分布，每个主题可以被表示为单词的概率分布。

为什么有两个类，LDA只给出一个维度？

LDA中的两个类指的是文档-主题分布和主题-单词分布。具体来说，LDA将文档看作是主题的混合，每个主题又由单词的分布组成。

文档-主题分布：LDA通过计算每个文档中每个主题的概率分布来表示文档-主题分布。这个分布可以告诉我们每个文档包含哪些主题以及它们的权重。例如，对于一篇新闻文章，文档-主题分布可以告诉我们该文章包含了多少政治、经济、体育等主题，并且每个主题的重要性如何。
主题-单词分布：LDA通过计算每个主题中每个单词的概率分布来表示主题-单词分布。这个分布可以告诉我们每个主题包含哪些单词以及它们的权重。例如，对于主题“体育”，主题-单词分布可以告诉我们该主题包含了哪些与体育相关的单词，如“足球”、“篮球”、“比赛”等，并且每个单词在该主题中的重要性如何。

通过这两个分布，LDA可以帮助我们理解文档中的主题结构以及主题中包含的单词。它可以应用于文本分类、信息检索、推荐系统等领域。

腾讯云相关产品和产品介绍链接地址：

腾讯云自然语言处理（NLP）：https://cloud.tencent.com/product/nlp
腾讯云人工智能（AI）：https://cloud.tencent.com/product/ai
腾讯云大数据与AI：https://cloud.tencent.com/solution/big-data-ai
腾讯云云服务器（CVM）：https://cloud.tencent.com/product/cvm
腾讯云数据库（TencentDB）：https://cloud.tencent.com/product/cdb
腾讯云对象存储（COS）：https://cloud.tencent.com/product/cos
腾讯云区块链服务（BCS）：https://cloud.tencent.com/product/bcs
腾讯云物联网（IoT）：https://cloud.tencent.com/product/iot
腾讯云移动开发（Mobile）：https://cloud.tencent.com/product/mobile

相关搜索:为什么有些.h文件有两个类？为什么有两个不同的ComponentActivity类？为什么我的元素只附加到一个类？为什么我的逻辑回归只产生一个类？为什么同一个类有两个不同的实例呢？一个类有两个不同的命名空间？为什么在我创建测试类时，jacoco:check会给出一个错误当我有多个结果时，为什么powershell代码只返回一个结果？为什么redis流水线给出了交叉槽错误，而我只发送了一个密钥？为什么有两个屏幕，而我只想要一个？当我动态添加两个按钮时，为什么只出现一个按钮？为什么pycharm在一个类或函数之外没有给出“预期类型”的警告？Python3线程:当我只启动了一个线程时，为什么有两个线程处于活动状态？有没有可能只给有两个参数的函数一个参数？为什么这段代码只更改了一个元素，而不是两个元素？为什么Ruby有TrueClass和FalseClass而不是一个布尔类？在一个SparseArray中可以有两个不同的类吗？为什么hybris jalo层为一个项目生成两个类尝试定义一个有两个输入变量的对象，为什么类不更新我的对象？为什么.isNotNull()；断言失败，即使我有一个控制器类？

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

如果你有一个很大的开发集，把它分为两个子集，只着眼于其中一个

如果你有一个很大的开发集，把它分为两个子集，只着眼于其中一个假设你有一个含有5000个样本的大型开发集，其中有20%的错误率。这样，算法对约1000个图片进行错误分类。...在这种情况下，我会明确的将开发集分为两个子集，只看其中一个子集，另一个不看。你可能会在你查看的那部分数据中过拟合，此时你可以使用那部分未使用的数据来进行调参。...（对于语音识别项目，你的数据集为语音，你需要一个一个听它们，你可以将它们称为Ear dev set）。因此，Eyeball开发集有500个样本，其中我们预计算法会错误分类约100个。...我们使用“Blackbox”术语是因为我们只使用数据集的子集来获得分类器的“Blackbox”评估。 为什么我们将开发集明确的分为Eyeball开发集和Blackbox开发集呢？...在这种情况下，你可能需要一个新的Eyeball开发集，将更多Blackbox开发集中的样本移至Eyeball中。也可以通过获取新的标注数据来获得。

60410 0

如果你有一个很大的开发集，把它分为两个子集，只着眼于其中一个

如果你有一个很大的开发集，把它分为两个子集，只着眼于其中一个假设你有一个含有5000个样本的大型开发集，其中有20%的错误率。这样，算法对约1000个图片进行错误分类。...在这种情况下，我会明确的将开发集分为两个子集，只看其中一个子集，另一个不看。你可能会在你查看的那部分数据中过拟合，此时你可以使用那部分未使用的数据来进行调参。 ?...（对于语音识别项目，你的数据集为语音，你需要一个一个听它们，你可以将它们称为Ear dev set）。因此，Eyeball开发集有500个样本，其中我们预计算法会错误分类约100个。...我们使用“Blackbox”术语是因为我们只使用数据集的子集来获得分类器的“Blackbox”评估。 ? 为什么我们将开发集明确的分为Eyeball开发集和Blackbox开发集呢？...在这种情况下，你可能需要一个新的Eyeball开发集，将更多Blackbox开发集中的样本移至Eyeball中。也可以通过获取新的标注数据来获得。

4491 0

线性判别分析LDA原理总结

我们本文只讨论线性判别分析，因此后面所有的LDA均指线性判别分析。 1. LDA的思想　　　　LDA是一种监督学习的降维技术，也就是说它的数据集的每个样本是有类别输出的。这点和PCA不同。...假设我们的投影直线是向量$w$,则对任意一个样本本$x_i$,它在直线$w$的投影为$w^Tx_i$,对于我们的两个类别的中心点$\mu_0,\mu_1$,在在直线$w$的投影为$w^T\mu_0$和$...多类LDA原理　　　　有了二类LDA的基础，我们再来看看多类别LDA的原理。　　　　假设我们的数据集$D=\{(x_1,y_1), (x_2,y_2), ......在二类LDA里面定义的公式可以很容易的类推到多类LDA。　　　　由于我们是多类向低维投影，则此时投影到的低维空间就不是一条直线，而是一个超平面了。...由于$W$是一个利用了样本的类别得到的投影矩阵，因此它的降维到的维度d最大值为k-1。为什么最大维度不是类别数k呢？

9092 0

项目里出现两个配置类继承WebMvcConfigurationSupport时，为什么只有一个会生效（源码分析）

为什么我们的项目里出现两个配置类继承WebMvcConfigurationSupport时，只有一个会生效。...大家基本遇到过一种情况，就是我配置类中已经配置了，为什么就是没有生效呢？...其中一种原因就是，自己写的配置类也继承了WebMvcConfigurationSupport，当项目出现两个配置类都继承该类时，只会讲第一个配置类生效，至于为什么，就是今天博主需要讲解的，我们必须了解一些...bean，截图为证，我自己写了两个配置类，第一个被加载的是MyASD，瞎写的名，好区分，第二个配置类是WebConfiguration，我们只看WebMvcConfigurationSupport里面的其中一个...我直接把这个问题用源码的方式讲解清楚，方便大家明白为什么配置两个WebMvcConfigurationSupport类，只有一个生效。我正在参与2024腾讯技术创作特训营最新征文，快来和我瓜分大奖！

1723 1

R语言线性判别分析（LDA），二次判别分析（QDA）和正则判别分析（RDA）

线性判别分析 LDA是一种分类和降维技术，可以从两个角度进行解释。第一个是解释是概率性的，第二个是更多的程序解释，归功于费舍尔。第一种解释对于理解LDA的假设是有用的。...这相当于找到一个线性组合ž= aŤXZ=aTX，使得aTaT相对于类内方差的类间方差最大化。 LDA模型的复杂性 LDA的有效参数的数量可以通过以下方式导出。有KK手段μ^kμ^k被估计。...另外，我们有ķ-1为自由参数ķ前科。因此，有效LDA参数的数量是Kp+（K-1）。 LDA摘要在这里，我总结了LDA的两个观点，并总结了该模型的主要特性。...费舍尔的观点根据Fisher，LDA可以理解为降维技术，其中每个连续变换是正交的并且相对于类内方差最大化类间方差。此过程将特征空间转换为具有K−1K−1维度的仿射空间。...绘制两个LDA维度中的数据显示三个集群：群集1（左）由aa和ao音素组成群集2（右下角）由dcl和iy音素组成群集3（右上角）由sh音素组成这表明两个维度不足以区分所有5个类别。

3K2 0

【深度】Peacock：大规模主题模型及其在腾讯业务中的应用

图2是这个过程的一个形象描述，而这个过程如图3所示，可以理解为把原始矩阵分解为两个较小的矩阵：左下的Topic-Item矩阵描述了物品聚类，每行一个主题（Topic）表示一个聚类；而右侧的User-Topic...从上一个小节的算法描述中，我们可以看到LDA 的训练算法貌似并不复杂，主要的工作就是在维护两个频率计数矩阵Nwt和Ntd。...图17 AD-LDA算法图17给出了AD-LDA算法的示意图：假设我们有三个可执行单元，每个都启动一个采样任务，每个任务中都有一个完整的“本地”模型LNwt；任务并行的处理训练语料数据块(...AD-LDA算法的整个过程和MapReduce的执行过程非常一致，所以早期有非常多的团队使用MapReduce来实现AD-LDA算法[5]： MapReduce的一个Job进行AD-LDA算法的一个迭代...3.2 模型并行——训练更大的模型上文提到，训练大模型时，Nwt太大而无法整体放入任务的内存，直观的解决方法如图18所示，将Nwt沿词的维度进行分片，每个采样任务只加载一个模型分片N(i)wt。

3.4K6 0

基于 R语言的判别分析介绍与实践（1）

LDA 2.1 二分类问题假设我们要用两个预测变量来分离数据中的两个类，如 Fig 3 所示。LDA 的目标是学习一种新的数据表示方式，将每个类的质心分开，同时保持类内方差尽可能低。...接下来，LDA 找到第二个判别函数(与第一个正交)，它也试图在最小化方差的同时最大化分离质心（这里读者们可以思考一下为什么只需要两个判别函数）。...通过在数据中获取每个实例的判别分数，我们可以只在两个维度上绘制数据。但如果不是仅仅是三个预测变量，比如有 1000个（前面例子），LDA 将把所有预测变量信息压缩到两个变量中。 3....两个类具有相等的协方差(变量 1 和变量 2 之间的关系对两个类来说是相同的)和不等的协方差的例子 Fig 7 左图中两个类有相等的协方差，因为对于每个类来说，变量 1 增加，变量 2 减少的数量相同。...假设每个类的概率密度是正态分布的，每个分布的中心是类的质心 Fig 8 展示的是有一个和两个判别函数时估计所得的概率密度图。

1.2K2 1

自然语言处理技术（NLP）在推荐系统中的应用

为什么我们要在意结构信息呢？...首先，它给出了一种相关性计算的通用思路，那就是只要能将两个物品用向量进行表示，就可以使用该公式进行相关性计算。...从另外一个角度来看，LSA相当于是对文档进行了一次软聚类，降维后的每个维度可看做是一个类，而文档在这个维度上的取值则代表了文档对于这个聚类的归属程度。 LSA处理之后的数据推荐中能做什么用呢？...第一种方法，可以根据主题的概率值对主题做一个简单的K-Means聚类，K选为2，如果是第一种情况，那么两个类中的主题数量会相差较大——一个类中包含少量有用主题，另一个类包含其他无用主题；而第二种情况下主题数量则相差不大...我们知道LDA天然就可以做到词的聚类和相似词的计算，那么使用word2vec计算出来的结果和LDA有什么不同呢？

3.6K10 0

R语言线性分类判别LDA和二次分类判别QDA实例

p=5689 一、线性分类判别对于二分类问题，LDA针对的是：数据服从高斯分布，且均值不同，方差相同。概率密度： ? p是数据的维度。分类判别函数： ?...二、二次分类判别对于二分类问题，QDA针对的是：数据服从高斯分布，且均值不同，方差不同。数据方差相同的时候，一次判别就可以，如左图所示;但如果方差差别较大，就是一个二次问题了，像右图那样。 ?...四、线性判别分析实例 LDA是一种分类和降维技术，可以从两个角度进行解释。第一个是解释是概率性的，第二个是更多的程序解释，归功于费舍尔。第一种解释对于理解LDA的假设是有用的。...这相当于找到一个线性组合ž= aŤXZ=aTX，使得aTaT相对于类内方差的类间方差最大化。数据集为了举例说明线性判别分析，我们将使用音素语音识别数据集。...绘制两个LDA维度中的数据显示三个集群：群集1（左）由aa和ao音素组成群集2（右下角）由dcl和iy音素组成群集3（右上角）由sh音素组成这表明两个维度不足以区分所有5个类别。

2.9K3 0

特征选择介绍及4种基于过滤器的方法来选择相关特征

特征选择是面试中一个非常受欢迎的问题。这篇文章能带你了解这方面相关的知识。 为什么要使用特征选择你熟悉鸢尾花的数据集吗?...但是，为什么这是个问题呢高维数据可能导致以下情况：训练时间长过度拟合即使不是p>>N，有一长串机器学习算法可以假设自变量。采用特征选择方法去除相关特征。...LDA 线性判别分析是一种有监督的线性算法，它将数据投影到更小的子空间k (k < N-1)中，同时最大化类间的分离。...不幸的是，您并不真正了解这些新功能代表什么，因此尽管降低了维度，但您肯定会丧失可解释性。注意：不要犯年轻的ML从业人员最常见的错误之一：在非连续特征上应用PCA。...我知道这听起来可能很奇怪，尤其是当它来自本文的作者时，但是我需要给出所有可能的答案，这就是其中之一。 “特征选择”需要时间，您可能不考虑既不花费时间也不花费精力。

1.4K1 0

线性分类与Principal Component Analysis

上式实际上就是一种投影，是将一个高维的点投影到一条高维的直线上，LDA最求的目标是，给出一个标注了类别的数据集，投影到了一条直线之后，能够使得点尽量的按类别区分开，当k=2即二分类问题的时候，如下图所示...下面我来推导一下二分类LDA问题的公式：假设用来区分二分类的直线（投影函数)为： LDA分类的一个目标是使得不同类别之间的距离越远越好，同一类别之中的距离越近越好，所以我们需要定义几个关键的值。...分母表示每一个类别内的方差之和，方差越大表示一个类别内的点越分散，分子为两个类别各自的中心点的距离的平方，我们最大化J(w)就可以求出最优的w了。...下图是图像识别中广泛用到的特征脸（eigen face），提取出特征脸有两个目的，首先是为了压缩数据，对于一张图片，只需要保存其最重要的部分就是了，然后是为了使得程序更容易处理，在提取主要特征的时候，很多的噪声都被过滤掉了...而PCA更像是一个预处理的方法，它可以将原本的数据降低维度，而使得降低了维度的数据之间的方差最大（也可以说投影误差最小，具体在之后的推导里面会谈到）。

1.1K10 0

机器学习（20）——数据降维为什么要降维？PCA原理LDA比较：

前言：正所谓每一个结果的出现都是一系列的原因导致的，当构建机器学习模型时候，有时候数据特征异常复杂，这就需要经常用到数据降维技术，下面主要介绍一些降维的主要原理 为什么要降维？...通过特征选择/降维的目的是：减少特征属性的个数确保特征属性之间是相互独立的当然有时候也存在特征矩阵过大，导致计算量比较大，训练时间长的问题常用的降维方法有： PCA LDA 主题模型进行降维...第二个坐标轴选择和第一个坐标轴垂直或者正交的方向；第三个坐标轴选择和第一个、第二个坐标轴都垂直或者正交的方向；该过程一直重复，直到新坐标系的维度和达到给定的值。...LDA 线性判断分析(LDA)：LDA是一种基于分类模型进行特征属性合并的操作，是一种有监督的降维方法。...并且转换后的数据是一维的考虑二元分类的情况，认为转换后的值大于某个阈值，属于某个类别，小于等于某个阈值，属于另外一个类别，使用类别样本的中心点来表示类别信息，那么这个时候其实就相当于让这两个中心的距离最远

18.9K9 0

独家 | 一文读懂特征工程

混合特征选择过程一般由两个阶段组成： 1）使用Filter方法初步剔除大部分无关或噪声特征,只保留少量特征,从而有效地减小后续搜索过程的规模。...PCA和LDA有很多的相似点，其本质是要将原始的样本映射到维度更低的样本空间中，但是PCA和LDA的映射目标不一样：PCA是为了让映射后的样本具有最大的发散性；而LDA是为了让映射后的样本有最好的分类性能...）不同类的数据点尽可能的分开（between class）举一个直观的例子，如下图：红色和蓝色点代表数据分别属于两个不同类，与PAC最大化保持数据信息的思想不同，LDA会这样降维这两堆点可以看到，...PCA技术的一个很大优点在于，它是完全无参数限制的。在PCA的计算过程中完全不需要人为的设定参数或是根据任何经验模型对计算进行干预，最后的结果只与数据相关，与用户是独立的。...缺点在于局限性大，受样本种类限制，且至多可生成C-1维子空间（C为类别数量），也就是说LDA降维后的维度空间在[1，C-1],与原始特征无关。因此，对于二分类问题，最多投影到1维。

1K8 0

线性判别分析LDA（Linear Discriminant Analysis）

比如回到上次提出的文档中含有“learn”和“study”的问题，使用PCA后，也许可以将这两个特征合并为一个，降了维度。但假设我们的类别标签y是判断这篇文章的topic是不是有关学习方面的。...我们首先发现，能够使投影后的两类样本中心点尽量分离的直线是好的直线，定量表示就是： ? J(w)越大越好。但是只考虑J(w)行不行呢？不行，看下图 ?...又因为行列式的值实际上是矩阵特征值的积，一个特征值可以表示在该特征向量上的发散程度。因此我们使用行列式来计算（此处我感觉有点牵强，道理不是那么有说服力）。...使用LDA的一些限制 1、 LDA至多可生成C-1维子空间 LDA降维后的维度区间在[1,C-1]，与原始特征数n无关，对于二值分类，最多投影到1维。...下面我们证明这个结论，并且给出第4节提出的y0值得选取问题。回顾之前的线性回归，给定N个d维特征的训练样例 ? （i从1到N），每个 ? 对应一个类标签 ? 。

1.7K4 0

用线性判别分析 LDA 降维

它不考虑分类信息，因此，降低维度后，信息损失降到最低，但分类上可能会变得更加困难。 LDA 追求的是降维后的数据点尽可能容易被区分。...降维后的样本数据在新的维度空间有最大的类间距离和最小的类内方差，数据在低维空间有最佳的可分离性。 3....LDA 后的维度数目是和类别的个数相关的，原始数据是 n 维，一共有 C 个类别，那么 LDA 后维度为 1、2～C-1 维。 4. PCA 投影的坐标系都是正交的。...LDA 投影的计算过程（两个类别）给的数据有两个类别，要找到一个向量 w，将数据 x 投影到 w 上之后：两个类别的距离较远，这一点用映射后两个类别的均值差的绝对值来度量。...我们希望分母越小越好，分子越大越好：分母小，则每个类内部数据点比较聚集；分子大，则两个类别的距离较远。所以需要找出一个 W 使 J(W) 的值最大。最后推导出 w ： ?

1.3K5 0

让机器搞懂100万种隐含语义，腾讯Peacock大规模主题模型首次全揭秘

LDA 的训练算法貌似并不复杂，主要的工作就是在维护两个频率计数矩阵N_td 和N_wt。...图17给出了AD-LDA算法的示意图：假设我们有三个可执行单元，每个都启动一个采样任务，每个任务中都有一个完整的“本地”模型L N_wt；任务并行的处理训练语料数据块(W,T)和N_td，更新模型L...AD-LDA算法的整个过程和MapReduce的执行过程非常一致，所以早期有非常多的团队使用MapReduce来实现AD-LDA算法[5]： MapReduce的一个Job进行AD-LDA算法的一个迭代...图18 模型并行1 上文提到，训练大模型时，N_wt太大而无法整体放入任务的内存，直观的解决方法如图18所示，将N_wt沿词的维度进行分片，每个采样任务只加载一个模型分片N_wt^((i))。...不难发现，从字面抽取的信息，很容易理解成“红酒”、“木瓜”等餐饮类语义，并非原始文本真实的意思。当然，我们可以对关键词做扩展，给出一些相似的词条，但是，更好的是直接理解语义。

1.2K4 0

线性判别分析（LDA）原理总结

我们用类中心间的距离和类的协方差分别表示不同类的距离和相同类的接近程度。本节只考虑二分类的LDA降维，不同类样本间的投影距离： ? 不同类的投影协方差之和： ?...分别是两个类样本的中心点， ? 和 ? 分别是两个类的协方差。 1.3 PCA与LDA降维应用场景对比若训练样本集两类的均值有明显的差异，LDA降维的效果较优，如下图： ?...二类样本数据集通过投影向量w降到一维空间，多类样本数据集降到低维空间是一个超平面，假设投影到低维空间的维度为d，对应的基向量矩阵 ? 。因此，多类LDA算法的优化目标函数为： ?...LDA算法流程前两节推导了LDA算法，现在对LDA算法流程进行总结，理清一下思路。假设k类数据集 ? ，其中xi为m维列向量，我们定义k类为 ? ，降维后的维度是d。...因此对一个未标记的输入样本进行LDA分类的步骤： 1） LDA对该输入样本进行降维； 2）根据概率密度函数，计算该降维样本属于每一个类的概率； 3）最大的概率对应的类别即为预测类别。 7.

6.4K3 1

LDA线性判别分析

线性判别分析（二分类情况） LDA是一种监督学习的降维技术，也就是说它的数据集的每个样本是有类别输出的。...，则对任意一个样本 ? ,它在直线 ? 的投影为 ? ,对于我们的两个类别的中心点 ? ，在直线 ? 的投影为 ? 和 ? ，分别用 ? 和 ? 来表示。...我们首先发现，能够使投影后的两类样本中心点尽量分离的直线是好的直线，定量表示就是： ? 但是只考虑 ? 行不行呢？不行，看下图 ? 样本点均匀分布在椭圆里，投影到横轴 ?...PCA和LDA PCA（主成分分析）和LDA（线性判别分析）有很多的相似点，其本质是要将初始样本映射到维度更低的样本空间中，但是PCA和LDA的映射目标不一样：PCA是为了让映射后的样本具有最大的发散性...LDA算法的主要缺点有： LDA不适合对非高斯分布样本进行降维，PCA也有这个问题。 LDA降维最多降到类别数k-1的维数，如果我们降维的维度大于k-1，则不能使用LDA。

8092 0

它和LDA有什么区别与联系？

它和LDA有什么区别与联系？ CBOW的目标是根据上下文出现的词语来预测当前词的生成概率，如图（a）所示；而Skip-gram是根据当前词来预测上下文中各词的生成概率，如图（b）所示。 ?...从输入层到隐含层需要一个维度为N×K的权重矩阵，从隐含层到输出层又需要一个维度为K×N的权重矩阵，学习权重可以用反向传播算法实现，每次迭代时将权重沿梯度更优的方向进行一小步更新。...训练得到维度为N×K和K×N的两个权重矩阵之后，可以选择其中一个作为N个词的K维向量表示。...Word2Vec与LDA的区别和联系首先，LDA是利用文档中单词的共现关系来对单词按主题聚类，也可以理解为对“文档-单词”矩阵进行分解，得到“文档-主题”和“主题-单词”两个概率分布。...需要说明的是，上述分析的是LDA与Word2Vec的不同，不应该作为主题模型和词嵌入两类方法的主要差异。主题模型通过一定的结构调整可以基于“上下文-单词”矩阵进行主题推理。

1.3K5 0

LDA线性判别分析

线性判别分析（二分类情况） LDA是一种监督学习的降维技术，也就是说它的数据集的每个样本是有类别输出的。...假设我们的投影直线是向量，则对任意一个样本 ,它在直线的投影为 ,对于我们的两个类别的中心点， ,在直线的投影为和，分别用和...我们首先发现，能够使投影后的两类样本中心点尽量分离的直线是好的直线，定量表示就是：但是只考虑行不行呢？不行，看下图 ?...PCA和LDA PCA（主成分分析）和LDA（线性判别分析）有很多的相似点，其本质是要将初始样本映射到维度更低的样本空间中，但是PCA和LDA的映射目标不一样：PCA是为了让映射后的样本具有最大的发散性...LDA算法的主要缺点有： LDA不适合对非高斯分布样本进行降维，PCA也有这个问题。 LDA降维最多降到类别数k-1的维数，如果我们降维的维度大于k-1，则不能使用LDA。

6062 0

点击加载更多

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭