[未知用户] 我是特意没有把PDF链接给编辑部的,只给了作者的主页,原因是我第一次看到这本书的时候是在推特上,那里给的是PDF链接,但我看里面的日期已经是很久以前了,有点不相信这么老的书稿还在传播中,所以找到作者的主页,在那里才找到了最新的版本。为了避免把一本旧书稿永久传递下去,还是给作者的主页比较稳妥,这样保证新来的人都能看到最新的版本。

这件事情告诉我们文件命名是看上去最简单但实际操作中最麻烦的一件事。作为计算机教授,把自己的书稿命名为book112013.pdf,既不利于传播,又是一个毫无意义的名字(book太宽泛,112013太具体),上哪儿说理去。小事一桩,体现了你是否站在第三方的角度考虑问题。
[未知用户] 老大十分心细。
其实我回复之后也在想,如果直接给我个PDF链接,我一点开就开始下载反而更让人困惑。但是对于类似的直接PDF地址我习惯的把地址退一步就直接到教授的主页了。
其实可以如此说明:此处附上作者(之一)的主页,书的地址大家自己找找就有了。
这也说明,写书之类的,如果没啥不便的话还是在Github上写比较好。
另外,此书确实很特别,我很少见到一本类统计/数据科学的书拿一个章节来详述SVD, 其实十分有必要。书名也十分诱人。
[未知用户] 握爪,谢谢理解!这书我只是瞄了一些章节,头一次明白NMF是什么意思,虽然听说过很多次了。SVD在传统的统计教育中确实也没被重视(至少在我受的教育中),只是在线性模型中用来折腾一下矩阵。

    谢益辉 奇怪,我竟然没有收到这条回复的通知,直到我看到Yixuan的SVD文点进统计之都才看到回复通知,神马状况。

    NMF似乎很有前途,NISS的人似乎很喜欢这个 <https://www.niss.org/research/software/irMF> 我听过其中Stanley Young关于NMF的一个研讨会:幻灯片上满满的都是SVD和NMF的比较,只觉得SVD瞬间弱爆。。。

    我对SVD感兴趣源自几年前读的一篇对Bradley Efron的采访,里面他说他儿子经常打电话问他一些很难的关于SVD的问题 (见 “Bradley Efron: A Conversation with Good Friends”, Statistical Science, page 270, paragraph 1)。

    我受的统计教育中,线性代数被教残了,一上来半个学期先整如何解方程组和算行列式以及对角化矩阵,其实空间和分解的概念反而是更重要的,而且从解方程组开始教真是索然无味。本科毕业那会听Gilbert Strang的线性代数课之后才觉得这课原来可以这么上,让我上完一节课迫不及待想听下一节课。他称SVD为 “the ‘crown jewel’ of linear algebra”。

    Yixuan一文乃及时雨,先让大家直观感受到了SVD是很有用的:)

    [未知用户] 我对SVD理解还太粗线,不敢班门弄斧。秉爷若得闲暇不妨随手写篇文章,造福一下劳苦大众。:P

      Ihavenothing 轩哥过谦了,SVD结合R和图像压缩,我觉得是很好的文章。

      另外,网上有篇较好的文章讲SVD在机器学习中的应用.<http://www.cnblogs.com/LeftNotEasy/archive/2011/01/19/svd-and-applications.html>

      SVD在气候研究中比回归用的还多,可见 H. Bjornsson and S. A. Venegas. 1997. A Manual for EOF and SVD Analyses of Climatic Data

      另外有本书名曰 “Spatiotemporal Data Analysis” ,我被书名骗了之后买了原书,结果读下来发现通篇都在说SVD... <http://www.amazon.com/Spatiotemporal-Data-Analysis-Gidon-Eshel/dp/069112891X>

      就此写篇文章的想法有过,但是总是渐渐的,渐渐的,渐渐的就又没有了。。。

      Leekasso方法很有意思,现在面对一个少n多p的预测问题,难点在变量间共相关及随机相关,目前的解决思路直接主成分分析降维后回归。看了这篇我打算试试这个方法,不过打算换个相通的方法,因为p值小到一定程度就可能没法比了不如用相关系数去比较,直接进行两两相关,排序取前10个相关系数高的直接y=ax+b求出10个y来取均值作为响应预测值或者用这10个变量做多元线性回归。
      3 年 后