**注：**在《SVD(奇异值分解)小结 》中分享了SVD原理，但其中只是利用了numpy.linalg.svd函数应用了它，并没有提到如何自己编写代码实现它，在这里，我再分享一下如何自已写一个SVD函数。但是这里会利用到SVD的原理，如果大家还不明白它的原理，可以去看看《SVD(奇异值分解)小结 》，或者自行百度/google。数据集：https://pan.baidu.com/s/1ZmpUSIscy4VltcimwwIWew。

1、SVD算法实现

1.1 SVD原理简单回顾

有一个$m \times n$的实数矩阵$A$，我们可以将它分解成如下的形式

$$ A = U\Sigma V^T \tag{1-1} $$

其中$U$和$V$均为单位正交阵，即有$UU^T=I$和$VV^T=I$，$U$称为左奇异矩阵，$V$称为右奇异矩阵，$\Sigma$仅在主对角线上有值，我们称它为奇异值，其它元素均为0。上面矩阵的维度分别为$U \in \mathbf{R}^{m\times m},\ \Sigma \in \mathbf{R}^{m\times n}$,$\ V \in \mathbf{R}^{n\times n}$。

正常求上面的$U,V,\Sigma$不便于求，我们可以利用如下性质

$$ AA^T=U\Sigma V^TV\Sigma^TU^T=U\Sigma \Sigma^TU^T \tag{1-2} $$ $$ A^TA=V\Sigma^TU^TU\Sigma V^T=V\Sigma^T\Sigma V^T \tag{1-3} $$

1.2 SVD算法

据1.1小节，对式(1-3)和式(1-4)做特征值分解，即可得到奇异值分解的结果。但是样分开求存在一定的问题，由于做特征值分解的时候，特征向量的正负号并不影响结果，比如，我们利用式(1-3)和(1-4)做特征值分解

$$ AA^T\mathbf{u}_i = \sigma_i \mathbf{u}_i\quad \text{or} \quad AA^T(-\mathbf{u}_i) = \sigma_i (-\mathbf{u}_i)\ A^TA\mathbf{v}_i = \sigma_i \mathbf{v}_i\quad \text{or} \quad A^TA(-\mathbf{v}_i) = \sigma_i (-\mathbf{v}_i) $$

如果在计算过程取，取上面的$\mathbf{u}_i$组成左奇异矩阵$U$，取$-\mathbf{v}_i$组成右奇异矩阵$V$，此时$A\ne U\Sigma V^T$。因此求$\mathbf{v}_i$时，要根据$\mathbf{u}_i$来求，这样才能保证$A= U\Sigma V^T$。因此，我们可以得出如下1.1计算SVD的算法。它主要是先做特性值分解，再根据特征值分解得到的左奇异矩阵$U$间接地求出部分的右奇异矩阵$V'\in \mathbf{R}^{m\times n}$。

计算特征值： 特征值分解$AA^T$，其中$A \in \mathbf{R}^{m\times n}$为原始样本数据

$$ AA^T=U\Sigma \Sigma^TU^T $$

得到左奇异矩阵$U \in \mathbf{R}^{m \times m}$和奇异值矩阵$\Sigma' \in \mathbf{R}^{m \times m}$

间接求部分右奇异矩阵： 求$V' \in \mathbf{R}^{m \times n}$

利用$A=U\Sigma'V'$可得

$$ V' = (U\Sigma')^{-1}A = (\Sigma')^{-1}U^TA \tag{1-4} $$

返回$U,\ \Sigma',\ V'$，分别为左奇异矩阵，奇异值矩阵，右奇异矩阵。

**注：**这里得到的$\Sigma'$和$V'$与式(1-2)所得到的$\Sigma,\ V$有区别，它们的维度不一样。$\Sigma'$是只取了前$m$个奇异值形成的对角方阵，即$\Sigma' \in \mathbf{R}^{m \times m}$；$V'$不是一个方阵，它只取了$V \in \mathbf{R}^{m \times n}$的前$m$行(假设$m < n$)，即有$V' = V(:m,\cdot)$。这样一来，我们同样有类似式(1-1)的数学关系成立，即 $$ A = U\Sigma' (V')^T\tag{1-5} $$

我们可以利用此关系重建原始数据。

2、SVD的Python实现

以下代码的运行环境为python3.6+jupyter5.4。

2.1 SVD实现过程

读取数据

这里面的数据集大家随便找一个数据就好，如果有需要我的数据集，可以下在面留言。

import numpy as np

import pandas as pd

from scipy.io import loadmat

# 读取数据，使用自己数据集的路径。

train_data_mat = loadmat("../data/train_data2.mat")

train_data = train_data_mat["Data"]

print(train_data.shape)

特征值分解

# 数据必需先转为浮点型，否则在计算的过程中会溢出，导致结果不准确

train_dataFloat = train_data / 255.0

# 计算特征值和特征向量

eval_sigma1,evec_u = np.linalg.eigh(train_dataFloat.dot(train_dataFloat.T))

计算右奇异矩阵

#降序排列后，逆序输出

eval1_sort_idx = np.argsort(eval_sigma1)[::-1]

# 将特征值对应的特征向量也对应排好序

eval_sigma1 = np.sort(eval_sigma1)[::-1]

evec_u = evec_u[:,eval1_sort_idx]

# 计算奇异值矩阵的逆

eval_sigma1 = np.sqrt(eval_sigma1)

eval_sigma1_inv = np.linalg.inv(np.diag(eval_sigma1))

# 计算右奇异矩阵

evec_part_v = eval_sigma1_inv.dot((evec_u.T).dot(train_dataFloat))

上面的计算出的evec_u, eval_sigma1, evec_part_v分别为左奇异矩阵，所有奇异值，右奇异矩阵。

2.2 SVD降维后重建数据

取不同个数的奇异值，重建图片，计算出均方误差，如图2-1所示。从图中可以看出，随着奇异值的增加，均方误差(MSE)在减小，且奇异值和的比率正快速上升，在100维时，奇异值占总和的53%。

图2-1 奇值分解维度和均方误差变化图

注： 均方误差MSE有如下计算公式 $$ \text{MSE} = \frac{1}{n}\left((y_1-y_1')^2+(y_2-y_2')^2+\cdots+(y_n-y_n')^2\right) $$

我们平时听到的$\text{RMSE}=\sqrt{\text{MSE}}$。

将图和10、50、100维的图进行比较，如图2-2所示。在直观上，100维时，能保留较多的信息，此时能从图片中看出车辆形状。

图2-2 原图与降维重建后的图比较

总结

SVD与特征值分解(EVD)非常类似，应该说EVD只是SVD的一种特殊怀况。我们可以通过它们在实际的应用中返过来理解特征值/奇异值的含义：特征值/奇异值代表着数据的信息量，它的值越大，信息越多。

最近作业是真的多呀，冒着生命危险来分享，希望能给大家带来帮助:smile: