sorodni izrazi in sinonimi v sodobni slovenščini, hrvaščini in srbščini
Podobnost besed in fraz med rezultati je odvisna od tega, kolikokrat se beseda
ali fraza pojavi v podobnem stavčnem kontekstu kot "dfmf".
Podobni izrazi in sinonimi za
Kliknite za poizvedbo
Pogosto skupaj z
Primeri iz korpusa
Korpus Common Crawl
Common Crawl je korpus spletnih strani
DFMF v podatkih ne zazna lokalnih vzorcev, zato se slika napovedi manj prilagaja izvorni.
DFMF povzame podatke, ki so na voljo, jih poveže v povezanem grafu in združi v nižjedimenzionalno predstavitev.
DFMF matrike podatkov razdeli na produkt treh matrik [1].
DFMF konstantno napoveduje manjkajoče vrednosti na intervalu med 0.1 in 0.4, neodvisno od števila neničelnih celic.
DFMF za reševanje problema minimizira optimizacijsko funkcijo iz enačbe (2.11).
Rezultati različnih variant metode DFMF so pri matrikah z večjim deležem enic zelo podobni, pri nižjih deležih pa pride do velikih razlik.
Napovedi DFMF imajo tudi negativne vrednosti kot posledico karakterističnih lastnosti algoritma, ki ničelne vrednosti na vhodu nadomesti z zelo majhnim številom ε.
Najprej sicer izvedemo bolj splošno primerjavo med rezultati, ki se pridobijo za različne tipe podatkov in različne tipe predelav metode DFMF.
Vseh osem najbolj obetavnih kandidatov, ki so jih dobili z analizo razcepov DFMF, so s poskusi v laboratoriju kasneje potrdili [].
V prejšnjih podpoglavjih smo opisali rezultate, ki smo jih dobili pri testiranju prilagojenih različic algoritma DFMF na različnih tipih podatkov.
Nevronsko mrežo prilagodimo na način, ki omogoča, da lahko njene klasifikacijske napovedi uporabimo za inicializacijo faktorskih matrik v algoritmu DFMF.
Ker za DFMF nismo imeli napovedi za vse relacijske matrike, smo za osnovno mejo izbrali rezultate napovedi z naključnimi podatki.
Iz prenesenih datotek, ki vsebujejo genome organizmov, izvlečemo še dodatne informacije, ki jih v metodi DFMF uporabimo kot dodatne vire.
Čeprav gre pri metodi DFMF za ne negativni matrični razcep, se negativne vrednosti iz relacijske matrike še vedno upoštevajo.
V tem razdelku predstavimo rezultate, ki jih pridobimo s poganjanjem več variant metode DFMF na različno ustvarjenih umetnih podatkih.
Ta problem je značilen za mnoge algoritme, ki se uporabljajo v priporočilnih sistemih in pod katere spada tudi DFMF.
Problem hladnega zagona metode DFMF smo naslovili na več načinov, ki smo jih potem preverili na različnih podatkovnih množicah.
Avtorjem algoritma DFMF se je obneslo, če so range latentnih faktorjev nastavljali v sorazmerju s številom objektov tistega tipa [].
V članku [13] uporabljajo algoritem DFMF za napovedovanje neželenih učinkov zdravil z združevanjem običajno uporabljenih podatkov o toksičnosti zdravil z novimi viri podatkov.
Najpomembnejše izhodišče za delo je članek [1], kjer je predstavljen algoritem za matrično tri-faktorizacijo (DFMF), ki simultano faktorizira matrike podatkov.