一、SVD基本原理
提取这些信息的方法称为奇异值分解(Singular Value Decomposition, SVD )。
在很多情况下,数据中的一小段携带了数据集中的大部分信息,其他信息则要么是噪声,要么就是毫不相关的信息。在线性代数中还有很多矩阵分解技术。矩阵分解可以将原始矩阵表示成新的易于处理的形式,这种新形式是两个或多个矩阵的乘积。我们可以将这种分解过程想象成代数中的因子分解。
取前r个非零奇异值,可以还原原来的矩阵Data,即前r个非零奇异值对应的奇异向量代表了矩阵Data的主要特征,可以表示为
SVD优缺点:
二、SVD的应用
2.1 隐形语义索引
SVD的历史巳经超过上百个年头, 但是最近几十年随着计算机的使用, 我们发现了其更多的使用价值。最早的SVD应用之一就