【线性代数】通俗的理解奇异值以及与特征值的区别,还有奇异值分解及其应用
奇异值分解,就是把矩阵分成多个“分力”。奇异值的大小,就是各个“分力”的大小。
之前在介绍矩阵特征值与特征向量的时候,也是以运动作为类比。
一、通俗理解奇异值
1、翻绳
对于翻绳的这个花型而言,是由四只手完成的:
我们可以认为这个花型是由两个方向的力合成的:
容易想象,如果其中一个力(相比另外一个力而言)比较小的话,那么绳子的形状基本上由大的那个力来决定:
2、奇异值分解与奇异值
类比于翻绳,我们可以认为:
奇异值分解,就是把矩阵分成多个“分力”。
奇异值的大小,就是各个“分力”的大小。
2.1 奇异值分解几何解释
下面通过一个具体的矩阵例子来解释下,比如:
根据之前的类比,矩阵是“力”,“力”怎么画出来呢?
翻绳游戏中的“力”要通过绳子的形状来观察。很显然要观察矩阵也需要一个载体。
我们通过单位圆来观察矩阵:
把这个单位圆的每一点都通过 进行变换,得到一个椭圆(我把单位圆保留下来了,作为一个比较):
对 进行奇异值分解:
实际上,将 分为了两个“分力”:
我们来看看第一个“分力”:
作用在单位圆这个“橡皮筋”上的效果:
可怜的“橡皮筋”被拉成了一根线段。
我们来看看第二个“分力”:
作用在单位圆这个“橡皮筋”上的效果:
可怜的“橡皮筋”被拉成了另外一根线段。
这两个“分力”一起作用的时候,可以想象(画面自行脑补),单位圆这个“橡皮筋”被拉成了椭圆:
这里再用一幅图来概括:
上面的几何解释其实已经比较清晰了,但正交这一点并没有很好的被体现出来。
以下继续重复解释一下,以加深印象。
以的矩阵为例,因为二阶矩阵可以使用平面在直角坐标系来表示。SVD在矩阵上的作用的几何意义主要是可以将二维空间下两个互相正交(也就是垂直)的向量,通过矩阵分解,变换为另一个二维空间下互相正交的两个向量。具体的过程如下图所示。
上图的含义是,我们在左图首先选定了两个单位正交基向量和 。那么此时,通过矩阵的作用下,左图中的一个二维空间(左图正方形格子)下的正交向量和 。就变换成为了另一个二维空间(右图长方形格子)下的正交向量和 。然后我们在和的方向上分别选择两个单位向量和,同时设和的模长度为和,那么就有下式成立:
因此,对于上面左图中二维空间(正方形格子)的任意一个向量来说,就有:(“·”表示向量内积)
(3)式左右同时乘以矩阵:
(4)式结合(1)和(2):
将内积操作通过用转置表示出来:
两边同时消去X:
通常,我们将(7)式的形式写为:
从(8)式我们可以看到,矩阵是一个原始空间的正交矩阵,它的每一个列向量都是原始空间的规范正交基;而矩阵则是变换之后的域的正交矩阵,它的每一个列向量都是变换空间的规范正交基。而式子中的奇异值对角矩阵的值则对应了从原始空间()到变换空间()的对应关系,具体来说就是两个空间的基向量的拉伸程度。
同时,还有另一种几何解释,与最开始讲的相同,也就是把SVD分解的过程看做是将单位圆的半径通过变换伸缩为椭圆的两个半轴。
如下图:
2.2 物理解释
个人理解,从信号的角度来讲,SVD过程的物理意义是将矩阵的能量集中到奇异值矩阵的左上角的过程。
例如,上图中的左图为随机生成的一幅256x256的图像,值都是在0-255之间。右图为左图SVD分解之后的奇异值矩阵,颜色越亮,代表了值越大,也就是能量越大。因此SVD的过程就是通过变换,将原空间的能量重新聚集分配,在新的空间集中的过程,这就是SVD的物理意义。通过这个物理意义,我们可以做许多的应用,例如数据的压缩,图像的滤波,以及推荐算法等,这些会在后文说到。
2.3 奇异值的大小
刚才举的矩阵的两个“分力”大小,只相差一倍,如果相差很大会怎么样?
换一个矩阵 ,对它进行奇异值分解:
这两个“分力”的奇异值相差就很大,大概相差了40倍。
单位圆被 映射成了短轴和长轴相差太大的椭圆,看起来和直线差不多:
我们试试,把小的那个奇异值去掉会怎么样:
把单位圆变为了一根直线:
这个直线和之前的椭圆看上去差不多。
回到之前的比喻,两个相差很大的分力作用在“橡皮筋”上,“橡皮筋”的形状可以说完全取决于大的那个分力。
奇异值分解实际上把矩阵的变换分为了三部分:
旋转
拉伸
投影(当有奇异值为0时以及非方阵)
拿刚才的:
举例子(方阵没有投影,不过不影响这里思考):
单位圆先被旋转,是没有形变的:
再进行拉伸,这里决定了单位圆的形状,奇异值分别是椭圆的长轴和短轴(奇异值如果为0,则相当于投影到某一个基向量上去):
最后,被旋转到最终的位置,这一过程也没有发生形变:
所以,奇异值决定了形变,大小决定在形变中的重要性。
二、奇异值与特征值、特征向量的联系与区别
前一小节介绍了奇异值在矩阵变换中发挥的作用,会发现这和我们讲方阵的特征值与特征向量时特别相似。那两者到底有什么区别呢?接下来就细细介绍一下。
1 奇异值
之前没有详细讲奇异值分解,这里先来谈谈奇异值分解在数学上的定义。
特征值分解是一个提取矩阵特征很不错的方法,但是它只是对方阵而言的,在现实的世界中,我们看到的大部分矩阵都不是方阵,比如说有个学生,每个学生有科成绩,这样形成的一个的矩阵就不可能是方阵,我们怎样才能描述这样普通的矩阵的重要特征呢?奇异值分解可以用来干这个事情,奇异值分解是一个能适用于任意的矩阵的一种分解的方法:
假设 是一个 的矩阵,那么得到的是一个 的方阵(中的向量是正交的,里面的向量称为左奇异向量),是一个 的矩阵(除了对角线之外的元素都是0,对角线上的元素称为奇异值),(的转置)是一个的矩阵,里面的向量也是正交的,里面的向量称为右奇异向量),从图片来反映几个相乘的矩阵的大小可得下面的图片:
那么奇异值和特征值是怎么对应起来的呢?首先,我们计算得到,将会得到一个方阵,我们用这个方阵求特征值可以得到:
这里得到的,就是我们上面的右奇异向量。此外我们还可以得到:
这里的就是上面说的奇异值,就是上面说的左奇异向量。奇异值跟特征值类似,在矩阵中也是从大到小排列,而且的减少特别的快,在很多情况下,前10%甚至1%奇异值的和就占了全部的奇异值之和的99%以上了。也就是说,我们也可以用前大的奇异值来近似描述矩阵,这里定义一下部分奇异值分解:
是一个远小于、的数,这样矩阵的乘法看起来像是下面的样子:
右边的三个矩阵相乘的结果将会是一个接近于 的矩阵,在这儿, 越接近于 ,则相乘的结果越接近于。而这三个矩阵的面积之和(在存储观点来说,矩阵面积越小,存储量就越小)要远远小于原始的矩阵 ,我们如果想要压缩空间来表示原矩阵 ,我们存下这里的三个矩阵:、、就好了。
2 奇异值与特征值有什么相似之处与区别之处
其实从之前奇异值的几何解释以及奇异值的数学定义都可以看出奇异值和特征值是两个相当接近的概念。奇异值的优点在于其不受限于原始矩阵是否是方阵这个约束。
矩阵可以认为是一种线性变换,如果将这种线性变换放在几何意义上,则它的作用效果和基的选择有关。(基是理解很多知识点的重中之重)。
以 为例,是维向量,是维向量,可以相等也可以不相等,表示矩阵可以将一个向量线性变换到另一个向量,这样一个线性变换的作用可以包含旋转、缩放和投影三种类型的效应。
比如说:
其几何意义为在水平方向上拉伸3倍,方向保持不变的线性变换,这就是缩放;而如果前面乘的矩阵不是对称矩阵,那么则对应几何意义上的缩放加旋转。 如果矩阵不满秩,则在线性变换中即包含了投影。
奇异值分解正是对线性变换这三种效应的一个析构。,和中的列向量都是互相正交的单位向量,是对角矩阵,对角值为奇异值,它表示我们找到了和这样两组基,矩阵的作用是将一个向量从这组正交基向量的空间旋转(可能会有升维降维的空间映射,投影)到这组正交基向量空间,然后对每个方向进行了一定的缩放(乘个缩放因子),缩放因子就是各个奇异值(注:之前有讲过在不同的基下同一个线性变换矩阵实际上的变换效用是不同的。但由于这里的两个变换矩阵都是标准正交矩阵,故实际上可以理解为都是对同一组标准正交基进行旋转(升维降维))。如果维度比大,则表示还进行了投影。可以说奇异值分解将一个矩阵原本混合在一起的三种作用效果,分解出来了。
而特征值分解其实是对旋转缩放两种效应的归并。有投影效应的矩阵不是方阵或者是奇异方阵,必有特征值为0。特征向量由得到,它表示如果一个向量处于的特征向量方向,那么对的线性变换作用只是一个缩放。也就是说,求特征向量和特征值的过程,我们找到了这样一组基,在这组基下,矩阵的作用效果仅仅是纯粹的缩放。对于实对称矩阵,特征向量正交,我们可以将特征向量式子写成,这样就和奇异值分解类似了,就是矩阵将一个向量从这组基的空间旋转到这组基的空间,并在每个方向进行了缩放。实际上可以理解为在标准正交基上做了变换再做缩放再做变换,同时与的变换效用为旋转相同的角度但旋转方向相反,就是没有旋转或者理解为旋转了0度。
总而言之,特征值分解和奇异值分解都是给一个矩阵(线性变换)找一组特殊的基,特征值分解找到了特征向量这组基,在这组基下该线性变换只有缩放效果。而奇异值分解则是找到另一组基,这组基下线性变换的旋转、缩放、投影三种功能独立地展示出来了。
又因为有投影效应的矩阵不是方阵或者是奇异方阵,没有特征值或特征值为0,所以奇异值分解可以适用于所有矩阵,但特征值分解就仅仅适用于可逆方阵了。
另一方面,将矩阵变换析构出来方便于直观地理解矩阵变换的各个部分。特征值分解出来的矩阵有时并不直观,多个旋转变换冗杂在一起以及特征值会出现复数等情况。
三、SVD分解的应用
SVD在实际中应用非常广泛,每个应用场景再单写一篇文章都没有问题。这里我们先不做过多的展开,先举两个最重要的方面。
通过上面的式子很容易看出,原来矩阵的特征有维。而经过SVD分解之后,完全可以用前个非零奇异值对应的奇异向量表示矩阵的主要特征。这样,就天然起到了降维的作用。
四、奇异值的计算:
五、SVD与广义逆矩阵
那么对于非方阵来说情况又是怎样的? 比如对于的矩阵,它的逆是怎样计算的?这就是我将要讨论的广义逆矩阵。
矩阵的广义逆由Moore在1920年提出,后来在1955年经过Penrose发展得到如下定义:
则称为的一个Moore-Penrose逆,简称广义逆,记为。并把上面四个方程叫做Moore-Penrose方程,简称M-P方程。
由于M-P的四个方程都各有一定的解释,并且应用起来各有方便之处,所以出于不同的目的,常常考虑满足部分方程的,叫做
对于的矩阵,若存在的矩阵,满足M-P方程中的全部或者其中的一部分,则称为的广义逆矩阵。
实际上有结论:如果满足M-P方程中的全部四个条件,那么得到的矩阵是唯一的,如果只满足部分条件,那么得到的矩阵
不唯一。也就是说一个矩阵的Moore-Penrose逆是唯一的。而广义逆的计算可以利用的SVD分解得到,假设矩阵
有了广义逆矩阵,那么就可以用来求解线性方程组,假设现在已经知道了矩阵的广义逆,如果矩阵的
秩是,则其唯一解是,如果秩小于,则有无穷多组解,其中最小范数解仍然是,通常我们关心
六、SVD与最小二乘法
最常见的最小二乘问题是线性最小二乘问题。比如在三维空间有如下四个点
现在用一个方程来拟合这四个点,这就是典型的线性最小二乘问题。接下来可以列出超定方程组,如下:
如上述超定系数方程组,一般情况下它是没有解的,但是我们可以让尽可能地小。解下面的方程可以求得方程的最小二乘解。
这样最小二乘解又变成了解线性方程组问题,可以先用SVD来求出广义逆矩阵,然后解出。最终求得解为
注:其实很容易发现这就是之前介绍的Normal Equation方法,这里主要介绍了广义逆可以通过SVD分解来求解得到。
机器学习中的数学(5)-强大的矩阵奇异值分解(SVD)及其应用
奇异值矩阵分解(Singular Value Decomposition)的一些感想这篇文章没有引到,但看起来还不错,值得一看。
【线性代数】通俗的理解奇异值以及与特征值的区别,还有奇异值分解及其应用相关推荐
- 线性代数 通俗的理解奇异值以及与特征值的区别
[转] 线性代数 通俗的理解奇异值以及与特征值的区别 奇异值分解,就是把矩阵分成多个"分力".奇异值的大小,就是各个"分力"的大小. 之前在介绍矩阵特征值与特征 ...
- 如何通俗地理解傅立叶变换?
声明下,下面都是用傅立叶级数来阐述,文章最后会说明下傅立叶级数和傅立叶变换之间的关系. 让我们从比较容易懂的解释开始吧. 1 直观解释 1666年牛顿发现太阳光经三棱镜的折射后可呈现彩色光,称为光的色 ...
- 如何通俗地理解相似矩阵
如何通俗地理解相似矩阵 同学们大家好,今天我们来学习相似矩阵. 1 简单印象 设 都是 阶方阵,若有可逆矩阵 ,使得: 则称 为相似变换矩阵(Similarity transformation mat ...
- 通俗全面理解图卷积与GCN网络(一):图与图卷积
下一篇:通俗全面理解图卷积与GCN网络(二):从图卷积到GCN 目录 前言 图 一般表示 度.邻接.拉普拉斯 为什么拉普拉斯 拉普拉斯矩阵的特征值分解 图卷积通式 总结 前言 相信大家都了解普通卷积操 ...
- 如何通俗地理解 Gradle?
作者:nonesuccess 链接:https://www.zhihu.com/question/30432152/answer/79547641 来源:知乎 著作权归作者所有.商业转载请联系作者获得 ...
- 【数学与算法】如何通俗的理解概率密度函数
概率分布函数就是概率密度函数. 累计分布函数: 对概率密度函数从负无穷到xxx积分,得到的是累计分布函数. 如何通俗的理解概率密度函数? 首先考虑这样一个问题,你点了一个外卖,外卖说会在两个小时送达. ...
- 解惑(二)----- 如何通俗地理解Python中的if __name__ == ‘__main__‘
1. 摘要 通俗的理解__name__ == '__main__':假如你叫小明.py,在朋友眼中,你是小明(__name__ == '小明'):在你自己眼中,你是你自己(__name__ == '_ ...
- python怎么用gamma函数_如何通俗的理解伽马(gamma)函数
如何通俗的理解伽马(gamma)函数 - 直觉,求导和示例 我为什么要在乎garmma分布? 使用伽马函数定义了许多概率分布,例如伽马分布,Beta分布,狄利克雷分布,卡方分布和学生t分布等. 对于数 ...
- 电容或电感的电压_如何通俗的理解电流,电压,电阻,电容和电感电工技术知识学习干货分享...
点击上方↑↑↑『电工技术知识学习』关注本公众号可以免费进微信群咨询技术问题 猜您喜欢的文章 82条电气专业术语详解,这资料就该人手一份 接触器如何选择?电气性能参数有哪些 收集最全的电工口诀,不用到处 ...
最新文章
- RFID采用率迟迟不涨,原因何在?
- SpringBoot集成MybatisPlus 涵盖了目前流行的知识点!!!即用即cv即可!!!学过的同学,也可以存储作为工具!!
- 修改Linux中的用户名
- junit的使用说明
- maven,gradle本地缓存位置
- 由社区推动的 .NET 6 新 API
- C#趣味程序----分数之和
- python学习总结----内置函数及数据持久化
- is running beyond physical memory limits. Current usage: 2.0 GB of 2 GB physical memory used; 2.6 GB
- Vue+Vue Router+Webpack打包网站基础页面
- python安装教程-Python 3.5安装教程
- JAVA中获取安装路径、运行路径、执行路径的办法
- 台达触摸屏编程软件_松下PLC远程编程调试流程
- 网络管理员考试试题分类精解电子书
- JAVA数据库增删改查
- 使用Draw免费在线作图
- 检测图书ISBN编号校检位
- 最新最快的HTTP代理服务器,国内外HTTP代理服务器,游戏代理服务器,Q代理服务器,代理IP...
- 考研用什么蓝牙降噪耳机好?适合学生党的降噪耳机推荐
- html中图片亮度调节,HTML+CSS+JS 模仿 Win10 亮度调节效果