设计矩阵的行是参考观察或预测因子吗？

Question

我试图了解这篇论文的制定文章学习：

1. 通过收集社交媒体检测抑郁:一种多模态字典学习解决方案
2. 多模式任务驱动字典学习图必威电竞像分类

这两篇论文在两个不同的领域使用了精确的公式。

第一部分:澄清数学符号

根据我的理解，在普通的机器学习中，我们用矩阵表示，从向量，行表示观测值，列表示预测值。

给定一个矩阵,$ a $:

p_1美元p_2美元p_3美元$ p_4 $p_5美元标签o_1美元1 2 3 4 1 1提取成分美元2 3 4 5 2 1o_3美元3 4 5 6 2 0o_4美元4 5 6 7 3 0

所以使用数学符号和排除标签，我可以定义这个矩阵，$ a = [o_1，O_2，O_3，O_4]∈r^ {4×5} $,因为$ a = [{（1,2,3,4,1），（2,3,4,5,2），（3,4,5,6,2），（4,5,6,7，3）}] $，在numpy中:

导入numpy作为np a = np.array（[[1,2,3,4,1]，[2,3,4,5,2]，[3,4,5,6,2]，[4，5,6,7,3]]）A.Shape＃（4,5）

我说的对吗?

Answer 1

根据我的理解，在普通的机器学习中，我们用矩阵表示，从向量，行表示观测值，列表示预测值。

行(或者，通常，张量的第一个维度)是典型的观测值。例如，在TensorFlow中，输入张量的第一个维度通常是指批大小，即观察的数量。如果您正在使用Pandas(用于操作数据的Python库)，则行通常是观察值，列是预测器。

However, in general, it does not really matter which convention you use, provided that you use one of the conventions consistently in your implementation (i.e. you choose one of the conventions and you stick with it throughout all your code, to avoid complexity), and make it clear in the documentation. So, you can have a matrix where either the rows or columns are observations and, consequently, the columns or, respectively, rows are the features (aka predictors or independent variables).

无论如何，与现有文献和实现/库保持一致可能是一个好主意，所以您可能应该使用观察的行。