J'essaie de comprendre les modèles de factorisation matricielle pour les systèmes recommandés et je lis toujours les «fonctionnalités latentes», mais qu'est-ce que cela signifie? Je sais ce que signifie une fonctionnalité pour un ensemble de données de formation, mais je ne parviens pas à comprendre l'idée des fonctionnalités latentes. Chaque article sur le sujet que je peux trouver est trop superficiel.
Éditer:
si vous pouvez au moins m'indiquer quelques articles qui expliquent l'idée.
machine-learning
data-mining
recommender-system
Jack Twain
la source
la source
Réponses:
Latent signifie non directement observable. L'utilisation courante du terme dans l'ACP et l'analyse factorielle est de réduire la dimension d'un grand nombre de caractéristiques directement observables en un plus petit ensemble de caractéristiques indirectement observables.
la source
Dans le contexte de la méthode de factorisation, les caractéristiques latentes sont généralement destinées à caractériser les éléments le long de chaque dimension. Je m'explique par l'exemple.
la source
Je dirais que les facteurs sont plus représentatifs que les composantes principales pour avoir une perception de la «latence» / de la dissimulation d'une variable. La latence est l'une des raisons pour lesquelles les spécialistes du comportement mesurent les constructions perceptuelles comme le sentiment, la tristesse en termes de plusieurs éléments / mesures et dérivent un nombre pour ces variables cachées qui ne peuvent pas être mesurées directement.
la source
Ici, vos données sont des notes attribuées par divers utilisateurs à divers films. Comme d'autres l'ont souligné, la latence ne signifie pas directement observable.
Pour un film, ses caractéristiques latentes déterminent la quantité d'action, de romance, de scénario, d'un acteur célèbre, etc. De même, pour un autre ensemble de données composé de chiffres manuscrits, les variables latentes peuvent être l'angle des bords, l'inclinaison, etc.
la source