奇异值分解(Singular Value Decomposition, SVD)——快速教程
原文作者:Dr. Edel Garcia
原文地址:https://fenix.tecnico.ulisboa.pt/downloadFile/3779576344458/singular-value-decomposition-fast-track-tutorial.pdf
- 摘要:本快速教程提供了使用奇异值分解(SVD)算法分解矩阵的说明。教程涵盖奇异值、左右特征向量以及计算矩阵的full SVD的快捷方式。
- 关键词:奇异值分解,SVD,奇异值,特征向量,full SVD,矩阵分解
- 问题:计算下列矩阵的full SVD:
解释一下full SVD:
假设A是一个M*N的矩阵,那么得到的U是一个M*M的方阵(里面的向量是正交的,U里面的向量称为左奇异向量),是一个M*N的矩阵(除了对角线的元素都是0,对角线上的元素称为奇异值),(V的转置)是一个N*N的矩阵(里面的向量也是正交的,V里面的向量称为右奇异向量)。
1.将A的转置和A做矩阵乘法,得到N*N的一个方阵,进行特征分解,得到的特征值和特征向量满足下式:
得到矩阵的n个特征值和对应的n个特征向量v,将所有的特征向量张成一个N*N的矩阵V,就是SVD公式里面的V。一般将V中的每个特征向量叫做A的右奇异向量,其可以用来降低数据的维度。
2.将A和A的转置做矩阵乘法,得到M*M的一个方阵,进行特征分解,得到的特征值和特征向量满足下式:
得到矩阵的m个特征值和对应的m个特征向量u,将所有的特征向量张成一个M*M的矩阵U,就是SVD公式里面的U。一般将U中的每个特征向量叫做A的左奇异向量,其可以用来降低数据的数量级。
full SVD的full在于 U 和 V 都是方阵,而 U 中被虚线框出的部分的重要性都为0,对 A 其实是没有贡献的。
而Reduced SVD就是把多余的bottom去掉,对应的 V 仍然是方阵。
- 解决步骤:
1.计算转置矩阵和。
2.确定的特征值并以绝对值按降序排序,对其开方得到A的奇异值。
特征方程
二次方程得到两个值,按降序排序
特征值
奇异值
3.通过沿对角线降序放置奇异值来构造对角矩阵S,计算它的逆矩阵。
4.使用步骤2中的有序特征值计算的特征向量,将这些特征向量沿列放置得到V,计算它的转置矩阵。
对应的特征向量为
对应的特征向量为
5.计算,为了完成证明,利用计算full SVD。
通过检验V和U的特征向量,可以看出它们的正交性。这可以通过计算列向量之间的点积来证明,所有点积都等于零。或者,我们可以绘制下图,并看到它们都是正交的。
奇异值分解(Singular Value Decomposition, SVD)——快速教程相关推荐
- 特征分解(eigendecomposition) and 奇异值分解(singular value decomposition, SVD)
- MIT | 数据分析、信号处理和机器学习中的矩阵方法 笔记系列 Lecture 6 Singular Value Decomposition (SVD)
本系列为MIT Gilbert Strang教授的"数据分析.信号处理和机器学习中的矩阵方法"的学习笔记. Gilbert Strang & Sarah Hansen | ...
- Singular Value Decomposition(SVD)--奇异值分解【转】
奇异值分解是线性代数中一种重要的矩阵分解,在信号处理.统计学等领域有重要应用.奇异值分解在某些方面与对称矩阵或Hermite矩阵基于特征向量的对角化类似.然而这两种矩阵分解尽管有其相关性,但还是有明显 ...
- 奇异值(Singular value decomposition SVD)分解
本文摘自两篇博客,感谢博主分享 一.原文地址:http://blog.csdn.net/wangzhiqing3/article/details/7446444 SVD分解 SVD分解是LSA的数学基 ...
- Chapter 7 (Symmetric Matrices and Quadratic Forms): The Singular Value Decomposition (奇异值分解, SVD)
目录 奇异值 奇异值的定义 非零奇异值 The Singular Value Decomposition (SVD) 奇异值分解 一些性质 几何解释 紧奇异值分解与截断奇异值分解 奇异值分解与矩阵近似 ...
- 奇异值分解(Singular Values Decomposition,SVD)
奇异值分解 1.奇异值分解 1.1 变换(Transformations) 1.2 线性变换(Linear Transformations) 1.3 降维(Dimensionality Reducti ...
- 什么是奇异值?奇异值分解是什么?SVD分解详解及实战
什么是奇异值?奇异值分解是什么?SVD(Singular Value Decomposition)分解详解及实战 TSVD:Truncated Singular Value Decomposition ...
- 推荐系统学习笔记之三 LFM (Latent Factor Model) 隐因子模型 + SVD (singular value decomposition) 奇异值分解
Low Rank Matrix Factorization低阶矩阵分解 在上一篇笔记之二里面说到我们有五部电影,以及四位用户,每个用户对电影的评分如下,?表示未评分. Movies\User User ...
- SVD奇异值分解(Singular Value Decomposition)
奇异值分解(Singular Value Decomposition)是线性代数中一种重要的矩阵分解,是矩阵分析中正规矩阵酉对角化的推广.在信号处理.统计学等领域有重要应用. 假设M是一个m×n阶矩阵 ...
- 特征值分解(Eigen Value Decomposition,EVD)、奇异值分解(Singular Value Decomposition,SVD)原理、公式推导及应用
1 正交矩阵&正交变换 正交变换是保持图形形状和大小不变的几何变换,包含旋转.平移.轴对称及这些变换的复合形式,正交变换可以保持向量的长度和向量之间的角度不变.特别的,标准正交基经正交变换后仍 ...
最新文章
- 解决 yum时 Error: Protected multilib versions报错
- python有道翻译-Python调用有道词典翻译
- 发布订阅模式 仿写Vue事件监听手写js实现
- ActiveMQ源码解析 建立连接
- DirectSound 混音的实现
- java中关于length的真确理解~~~~有补充的请跟帖~~~
- oracle传输表空间功能测试(含详细过程)
- 【JxBrowser分享】Java程序内嵌Chromium浏览器内核更新,支持Java17
- DEA数据包络分析python代码记录
- 中科院信工所 考研面试经验贴
- mysql 唯一索引_mysql创建唯一索引
- 小学计算机网络教室简介,陆桥实验小学计算机网络教室配备情况一览表(6页)-原创力文档...
- 电子墨水屏技术原理介绍
- 洛谷3966 BZOJ3172 单词 AC自动机
- android 实现磨砂效果_Android(Android5.0)下毛玻璃(磨砂)效果如何实现?
- 数字化医院PACS影像系统 三维影像后处理技术应用
- 常用Android第三方库推荐
- 手把手搭建KVM云平台(详细教学)
- C++实现单源最短路算法
- 13-读《狼图腾》有感