做设计矩阵的行指观察或预测？

Question

我试图理解的词典学习了本文的配方：

1. 通过获取社交媒体检测抑郁:一种多模式字典学习解决方案
2. 多模式任务驱动字典学习的必威电竞图像分类

这两篇论文在两个不同的领域使用了精确的公式。

第1部分:数学符号的澄清

根据我的理解，在普通的机器学习中，我们用向量表示矩阵，用行表示观察，用列表示预测。

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

因此，使用数学符号和标签除外，我可以定义这个矩阵，$ A = [O_1，0-2，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:

进口numpy的作为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，我们用向量表示矩阵，用行表示观察，用列表示预测。

行(或者，一般来说，张量的第一维)是典型的观测值。例如，在TensorFlow中，输入张量的第一维通常是指批大小，即观察的数量。如果您使用的是熊猫(Python库操作数据),行通常是观察和预测的列。

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，因此您可能应该使用行进行观察。