※ 引述《sld (天佑台湾)》之铭言： : 可不可以再说清楚一点, 不大了解你的意思. 非常感谢你的回答 : ※ 引述《xpertslayers (slayers)》之铭言： : : 想请问各位了解PCA(Principal Component Analysis)的大大 : : 如果我有N 个node : : 而N 个node 互相比较产生一个N * N 的矩阵 : : 其中元素(p, q) 代表node p 跟 node q 比较的结果 : : 而为了在计算上的方便 : : 我将矩阵利用PCA 转成 N 维向量来处理 : : 想请问在这N 维向量中的每个位置元素 : 位置元素指的意思是? 举个例子 假如有三支球队A ,B, C 再进行一场循环赛後 会得到三对互相比赛後的分数矩阵 而我希望能透过矩阵对每一球队计算出一个相对应分数 而这个分数可以将这三个球队做排序 而所以我想 比如说一个三维比较矩阵做PCA 後 转成三维向量(X,Y, Z)後 是否X ,Y, Z 会代表node 1, 2, 3 在比较矩阵中所扮演的角色或分数 : 这每一个向量应该是你的每一个 node 的 linear combination, : v_i=a_i1*node1+a_i2*node2+... : 你的位置元素指的是 a_i1, a_i2,..., 还是这些 v_i? : : 是否能代表各node 的特性 : "代表特性"是什麽意思? 可是我发现PCA 似乎不能解决此类问题 但是後来我发现有人做过这种类似的研究 例如 Colley’s Bias Free Matrix Rankings 这刚刚好可以解决我上面所列的问题 如果有人对这方面也有研究的话 欢迎给予指教. --

※ 发信站: 批踢踢实业坊(ptt.cc) ◆ From: 140.119.162.50