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. 抑郁症检测通过收获社交媒体：多模式字典学习解决方案
2. 多模式任务驱动字典学习图必威电竞像分类

两篇论文在两个不同的域中使用了精确的配方。

第1部分：数学符号澄清

基于我的理解，在共同机器学习中，我们将我们的矩阵从vectors制定，作为行为的行，列是预测的。

给定矩阵，$ a $：

$ p_1 $$ p_2 $$ p_3 $$ p_4 $$ p_5 $标签$ O_1 $1 2 3 4 1 1$ O_2 $2 3 4 5 2 1$ o_3 $3 4 5 6 2 0$ O_4 $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} $，原样$ a = [{（1,2,3,4,1），（2,3,4,5,2），（3,4,5,6,2），（4,5,6,7，3）}] $，在numpy：

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）

我对吗？

Answer 1

基于我的理解，在共同机器学习中，我们将我们的矩阵从vectors制定，作为行为的行，列是预测的。

行（或通常，张量的第一维度）通常是观察结果。例如，在Tensorflow中，输入张量的第一维度通常是指批量大小，即观察的数量。如果您使用熊猫（Python库来操作数据），则行通常是观察结果，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，符合现有文献和实现/库可能是一个好主意，因此您应该使用行进行观察。