1回答
为此，请执行以下操作：s = sparse(i, 1:lenght(i), 1)这和预期的一样工作良好，但是当数组为i = [2, 1,3, 3]时。full函数给出了一个3 x 4的矩阵，而不是4 x 4的矩阵。Julia认为最后一行是不必要的，并删除了它，对我来说，情况并非如此。当索引array i中有重复时，是否可以使用spars
浏览 2提问于2018-01-25得票数 0
回答已采纳
当问题是对称的，只需要计算一些数字时，N维计算的最佳容器对象是什么？(kk, M): results[ii,jj,kk,ll] = res 这个数组中的许多元素是完全冗余的对于更高的N更是如此(我希望使用N=10或理想情况下的N=15)。 对于这样的问题，在每一步中使用列表和追加更好，还是字典或<em
浏览 15提问于2020-08-18得票数 0
回答已采纳
解释说，fit_transform只能用于密集矩阵，但我有一个csr格式的稀疏矩阵，我想对它执行tsne。文档说要对稀疏矩阵使用fit方法，但这并不返回低维嵌入。我很感谢我可以像在.todense()中一样使用方法，但是我的数据集非常大(0.4*10^6行和0.5*10^4列)，所以内存中不适合使用。真的，用稀疏矩阵来做这件事是很好的。是否有一种方法可以使用scikit TSNE
浏览 6提问于2017-09-26得票数 4
回答已采纳
1回答
由于数据维度太大，我不得不将数据转换为稀疏矩阵，而不是密集数组。
然而，由于该图包含cnn，当我直接给稀疏矩阵喂入时，我被告知cnn不能接收稀疏张量。所以我得先做“稀疏到稠密”的操作。但问题是，我的数据(多稀疏矩阵)应该转换成二维稀疏矩阵。(例如，我有稀疏matrix1，dim为14,25500，稀疏<
浏览 0提问于2017-10-13得票数 0
回答已采纳
1回答
我已经使用假日作为我的模型中的一个功能，以热编码格式，即我有11个二进制特性，每个代表一个假期。我刚开始嵌入。我的问题是，它是否有意义，以及它是否对如何做它有任何暗示？
浏览 0提问于2021-01-14得票数 2
1回答
我使用sk-learn.CountVectorizer n.CountVectorizer()创建向量矩阵，发现其中57%填充了0。在一些在线情况下，他们的稀疏矩阵只有30%填充了零。我想知道稀疏程度的影响。在稀疏矩阵中有较少的零是好的还是坏的，还是没有区别？我们对这一意见有何评论？
浏览 3提问于2020-05-18得票数 0
回答已采纳
2回答
我有一套4k的文本文档。他们属于10个不同的班级。我正在尝试看看随机森林方法是如何执行分类的。问题是我的特征提取类提取了200k个特征(组合了单词、二元语法、搭配等)。这是高度稀疏的数据，sklearn中的随机森林实现不能与稀疏数据输入一起工作。
问:我有哪些选择？减少功能的数量？怎么做到的？问:有没有使用稀疏数组的随机森林的实现？我的相关代码如
浏览 13提问于2014-02-11得票数 5
3回答
我目前正在做一些内存密集型的文本处理，为此我必须构造一个维度为~ (2M, 5M)的float32s的sparse matrix。当我读取一个5M文档的语料库时，我是一列一列地构建这个矩阵。为此，我使用了SciPy中的稀疏dok_matrix数据结构。然而，当到达第500,000个文档时，我的内存已满(约使用30 is )，程序就会崩溃。我最终想做的是，使用sklearn对
浏览 1提问于2015-06-25得票数 13
1回答
我在我的X_train上应用了CountVectorizer()，它返回了一个稀疏矩阵。 通常，如果我们想标准化稀疏矩阵，我们会传入with_mean=False参数。scaler = StandardScaler(with_mean=False)
X_train = scaler.fit_transform() 但在我的例子中，在我的X_train上应用了CountVectorizer之后，我还执行了主成分分析(TruncatedSVD)来减少维<e
浏览 10提问于2019-03-07得票数 2
回答已采纳
1回答
}我需要做的是计算：
前25名的文件最类似于这一份。像json字符串的Minhash那样的东西会起作用吗？我的第
浏览 1提问于2013-12-03得票数 3
回答已采纳
2回答
如果我们有大量的功能(超过50个)，我们应该使用than吗？根据https://scikit-learn.org/stable/modules/generated/sklearn.manifold.TSNE.html：强烈建议使用另一种降维方法(例如，对于密集数据使用PCA或对于稀疏数据使用TruncatedSVD )，以便在特征数量非常多的情况下将维数减少到合理的<
浏览 0提问于2021-06-22得票数 1
回答已采纳
0回答
除非我们设置了keepdims=True，否则在对numpy.ndarray求和时，它会降低数组的维数。然而，这似乎不适用于Scipy的稀疏矩阵：print(matrix.shape此外，尝试将总和的结果转换为密集的Numpy数组失败：
matrix.toarray()
浏览 4提问于2017-12-02得票数 2
5回答
我正在用R做一个文本分类任务，我获得了一个大小为22490×12万的文档项矩阵(只有400万个非零条目，小于1%的条目)。现在，我想利用主成分分析( PCA )来降低维数。不幸的是，R不能处理这个庞大的矩阵，所以我将这个稀疏矩阵存储在一个文件中，格式为“matrix”，希望使用其他一些技术来进行PCA。因此，有人能给我一些有用的库(不管编程语言是什么)，它可以方便地用这个大规模矩阵
浏览 16提问于2012-05-23得票数 18
1回答
我正在为一次编码面试做准备，并且在图表上刷新了我的头脑。我想知道:在我见过的所有地方，都假定邻接表比大型稀疏图的邻接矩阵更有效，因此在这种情况下应该更好。另外，当O(1)在列表中时，计算一个节点的输出边数需要矩阵中的O(N)，以及该列表的O(num相邻节点)中的相邻节点，而不是该矩阵的O(N)。这些地方包括Cormen等人<em
浏览 8提问于2011-07-08得票数 11
回答已采纳
假设我有一个二维稀疏数组。在我的实际用例中，行数和列数都要大得多(比如20000和50000)，因此当使用密集表示时，它无法放入内存：>>> import scipy.sparse现在假设我有一个密集的一维数组，其中所有非零组件的大小都是3(在我的现实生活中是50000 )：
>>>
浏览 0提问于2010-07-14得票数 46
回答已采纳
我运行了一个测试tf.sparse_tensor_dense_matmul操作的小实验。不幸的是，我对这个结果感到惊讶。
在增加每次运行的稀疏性的<
浏览 2提问于2016-08-25得票数 4
回答已采纳
1回答
我是MPI和并行计算环境中的newby。我和有不同的稀疏矩阵，我试图用行划分将稀疏矩阵与密集向量相乘，其大小分别为N和Nx1。我将测试我的并行MPI程序的进程数为1,2,4,8,16。我已经对这个算法做了一些研究，并从中找到了一个更好的解决方案和路线图。算法是这样的；
首先，对每个进程进行整体稀疏矩阵逐行划分，并对密集向量进
浏览 1提问于2019-05-10得票数 0
回答已采纳
2回答
我试图将TruncatedSVD.fit_transform()应用于TfidfVectorizer在scikit-learn中给出的稀疏矩阵，它提供： text = tfv.transform(text)我可以使用的其他方法是什么或者降维
浏览 0提问于2013-11-26得票数 2
回答已采纳
1回答
我有一个具有大约100万行和大约500 K稀疏特性的数据集。我想把维数降到1K-5K稠密特征的某个地方。sklearn.decomposition.PCA不工作在稀疏数据上，我尝试过使用sklearn.decomposition.TruncatedSVD，但是很快就得到了一个内存错误。在这个尺度上，我的有效降维选择是什么？
浏览 0提问于2018-08-29得票数 14
回答已采纳
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
相关资讯
热门标签
云服务器
ICP备案
云直播
对象存储
实时音视频活动推荐
腾讯云开发者
