Machine learning 用受限玻尔兹曼机推断缺失数据
与netflix竞争类似，假设我们有一个缺少收视率的电影数据集。我将如何修改RBM以允许它推断缺少的值？在相关的论文中，一种简单的方法是将随机值填入缺失的可见特征。然而，我对重建精度表示怀疑，因为它可能取决于为这些缺失的可见节点提供的初始值 你有什么建议 谢谢，也许这段视频会有所帮助 我认为在输入随机值后进行抽样是一个好主意。辛顿在这段视频中证明了这一点。此外，您还可以尝试估计先验值，或者进行许多采样，或者根据不同的方法进行猜测，然后进行重建 Hinton在视频中说，这种方法本身并不是很精确，但当与矩阵分解（或其他类似方法）结合使用时，可能会非常强大。，也许这段视频会有所帮助 我认为在输入随机值后进行抽样是一个好主意。辛顿在这段视频中证明了这一点。此外，您还可以尝试估计先验值，或者进行许多采样，或者根据不同的方法进行猜测，然后进行重建Machine learning 用受限玻尔兹曼机推断缺失数据,machine-learning,neural-network,missing-data,netflix,rbm,Machine Learning,Neural Network,Missing Data,Netflix,Rbm,与netflix竞争类似，假设我们有一个缺少收视率的电影数据集。我将如何修改RBM以允许它推断缺少的值？在相关的论文中，一种简单的方法是将随机值填入缺失的可见特征。然而，我对重建精度表示怀疑，因为它可能取决于为这些缺失的可见节点提供的初始值 你有什么建议 谢谢，也许这段视频会有所帮助 我认为在输入随机值后进行抽样是一个好主意。辛顿在这段视频中证明了这一点。此外，您还可以尝试估计先验值，或者进行许多采样，或者根据不同的方法进行猜测，然后进行重建 Hinton在视频中说，这种方法本身并不是很精确，但
Hinton在视频中说，这种方法本身并不是非常精确，但当与矩阵分解（或其他类似方法）结合使用时，效果会非常强大。其想法是执行交替吉布斯采样，但在重建更新时将非缺失值固定到数据值。这样做，直到缺失值在其马尔可夫链中达到平稳分布，并且您知道网络对它们应该是什么的最佳猜测。想法是执行交替吉布斯采样，但将非缺失值固定到重建更新中的数据值。这样做，直到缺失值在其马尔可夫链中达到平稳分布，并且您知道网络对它们应该是什么的最佳猜测。实际上，对这些缺失可见节点的初始值的依赖性可以用来获得额外的2-5%的准确度。您可以在不同的初始化下多次运行RBM，然后平均结果。每个结束状态都会有错误，但它们会彼此不同。我尝试了它并不断改进，直到+/-20初始化…实际上，对这些缺失可见节点的初始值的依赖性可以用来获得额外的2-5%的精度。您可以在不同的初始化下多次运行RBM，然后平均结果。每个结束状态都会有错误，但它们会彼此不同。我试过并不断改进，直到+/-20初始化…该视频不再存在。是否有其他链接？该视频已不存在。是否有其他链接？是否有关于此的参考文件？是否有关于此的参考文件？