矩阵的奇异值分解

矩阵的奇异值分解

作者: gyher | 来源:发表于2019-07-06 16:28 被阅读0次

第30课奇异值分解
统计学习方法——修炼学习笔记15：奇异值分解
SVD和PCA
推荐系统（三）：基于矩阵分解的推荐算法
数学基础
强大的矩阵奇异值分解(SVD)及其应用(转)
（转）奇异值分解（SVD）和主成分分析法（PCA）
线代-矩阵的SVD分解-矩阵压缩降噪降维
PCA（主成分分析）
特征值和奇异值

奇异值分解(singular value decomposition, SVD)是将矩阵分解为奇异值和奇异向量的一种矩阵分解方式。

什么是正交、标准正交和正交矩阵

如果向量 $x$ 和 $y$ 满足 $x^Ty = 0$ , 那么向量 $x$ 和 $y$ 互相正交。显然，零向量和任意向量之间相互正交。若两个向量都有非零范数，那么这两个向量的夹角是 $90^\circ$ 。若相互正交的向量范数都为1，那么称它们是标准正交。正交矩阵的行向量和列向量分别标准正交。

矩阵的特征值和特征向量

设 $A$ 为 $n$ 阶方阵，且存在实数 $\lambda$ 和 $n$ 维非零向量 $x$ ，使得 $Ax = \lambda x$ , 那么 $\lambda$ 为方针 $A$ 的特征值，向量 $x$ 为 $A$ 的特征向量。
$Ax = \lambda x$ 可以写成 $(A - \lambda E)x = 0$ , 有非零解的充要条件是系数行列式 $|A - \lambda E| = 0$

定义

假设 $A$ 是一个 $m * n$ 的矩阵， $U$ 是一个 $m * m$ 的矩阵， $D$ 是一个 $m * n$ 的矩阵， $V$ 是一个 $n * n$ 的矩阵。那么, $A$ 可分解成 $A = UDV^T$ , 其中 $U$ 和 $V$ 都定义成正交矩阵， $D$ 定义为对角矩阵。对角矩阵 $D$ 对角线上的元素称为 $A$ 的奇异值。矩阵 $U$ 的列向量称为 $A$ 的左奇异向量，矩阵 $V$ 的列向量称为 $A$ 的右奇异向量。

$A$ 的左奇异向量是 $AA^T$ 的特征向量， $A$ 的右奇异向量是 $A^TA$ 的特征向量
$A$ 的非零奇异值是 $AA^T$ 特征值的平方根，同时也是 $A^TA$ 特征值的平方根

用途

最有用的性质是可以将求逆操作扩展到非方矩阵上。

相关文章

第30课奇异值分解
奇异值分解：简称，是矩阵最终和最好的分解，分解的因子是正交矩阵，对角矩阵，正交矩阵，任意矩阵都有这种奇异值分解对...
统计学习方法——修炼学习笔记15：奇异值分解
一、奇异值分解的定义与性质 1、定义与定理奇异值分解注意：奇异值分解不要求矩阵A是方阵，事实上矩阵的奇异值分解...
SVD和PCA
SVD是奇异值分解，当矩阵不是方阵的时候，则这个矩阵是奇异矩阵。我们可以通过奇异值分解来获得特征矩阵。因为有的时候...
推荐系统（三）：基于矩阵分解的推荐算法
一、矩阵分解原理 1.1、奇异值分解奇异值分解（Singular Value Decomposition，SVD...
数学基础
奇异值分解矩阵求导_知乎1矩阵求导_知乎2
强大的矩阵奇异值分解(SVD)及其应用(转)
强大的矩阵奇异值分解(SVD)及其应用
（转）奇异值分解（SVD）和主成分分析法（PCA）
奇异值分解（Singular Value Decomposition） 1.奇异值分解是矩阵分解的一种方法 ...
线代-矩阵的SVD分解-矩阵压缩降噪降维
矩阵的SVD分解- Singular Value Decomposition【矩阵的奇异值分解】优点：适用于任意形...
PCA（主成分分析）
PCA 参考资料强大的矩阵奇异值分解(SVD)及其应用
特征值和奇异值
特征值和奇异值经常弄混~ 首先理解特征值分解和奇异值分解：矩阵的特征值分解考虑的是一个到自身的映射矩阵，奇异值分解...

网友评论

工作生活

本文标题：矩阵的奇异值分解

本文链接：https://www.haomeiwen.com/subject/rabjhctx.html

延伸阅读

深度阅读

您也可以注册成为美文阅读网的作者，发表您的原创作品、分享您的心情！

栏目导航

热点阅读

工作生活

关于我们|服务条款|联系我们|矩阵的奇异值分解|投稿指南|网站地图|RSS订阅|排版工具|手机版

提供经典美文摘抄,优美散文欣赏,现代诗歌精选,短篇小说,心情随笔,表白情书范文,故事会在线阅读欣赏

Copyright © 2014-2023 Haomeiwen.com All Rights Reserved. 好美文阅读网版权所有

备案信息：桂公网安备 45052102000051号 · 桂ICP备13007215号-3

本站所收录作品、热点评论等信息部分来源互联网，目的只是为了系统归纳学习和传递资讯

所有作品版权归原创作者所有，与本站立场无关，如不慎侵犯了你的权益，请联系我们告知，我们将做删除处理！