知识卡片
SVD推广到非方阵
任意实m×n矩阵都可作奇异值分解A=UΣVᵀ:U、V为正交矩阵,Σ的非负对角元为奇异值。V的列来自AᵀA的正交特征向量,奇异值是相应非负特征值的平方根;非零奇异方向有Avᵢ=σᵢuᵢ,零方向须补齐正交基。奇异值不是A本身的特征值。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第5章 行为规律的发现与挖掘 5.1 对有序数据的规律分析 · 查看原书依据
奇异值分解(Singular Value Decomposition,SVD)是线性代数中一种重要的矩阵分解方法,广泛应用于信号处理、图像压缩、语义分析等领域。SVD是对特征分解的推广,特征值分解只能应用于方阵。实际上大部分数据不是方阵,比如一次采样数据有M个样本点,每个样本点有N个特征观测值,形成一个M×N的矩阵。通常样本特征的个数是有限的,而样本量可以通过多次观测而不断增加。对于M×N的矩阵,为了像方阵一样能提取出特征及特征重要性,
参考来源
- 位置:《数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow》第5章 行为规律的发现与挖掘,5.1 对有序数据的规律分析(来源项目a19c7933-4eda-4176-aebd-30fe7e1ad292;源文件:extracted/数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow/_epub-src/OEBPS/Text/part0027.xhtml)
- 结论依据:原文明确"SVD是对特征分解的推广,特征值分解只能应用于方阵。实际上大部分数据不是方阵……对于M×N的矩阵,为了像方阵一样能提取出特征及特征重要性,SVD将复杂矩阵分解为左奇异矩阵、奇异值矩阵、右奇异矩阵三个简单矩阵的乘积"。
- 原始内容:奇异值分解(Singular Value Decomposition,SVD)是线性代数中一种重要的矩阵分解方法,广泛应用于信号处理、图像压缩、语义分析等领域。SVD是对特征分解的推广,特征值分解只能应用于方阵。实际上大部分数据不是方阵,比如一次采样数据有M个样本点,每个样本点有N个特征观测值,形成一个M×N的矩阵。通常样本特征的个数是有限的,而样本量可以通过多次观测而不断增加。对于M×N的矩阵,为了像方阵一样能提取出特征及特征重要性,