解读奇异值分解SVD(singular value decomposition)+Python实战! 文章目录 一. 相关概念 1.1. 正交矩阵 1.2. 正定矩阵 二. 特征值分解(EVD) 三. 奇异值分解(SVD) 3.1. 奇异值分解定义 3.2. 奇异值求解 四. Numpy快速实现奇异值分解 4.1. SVD分解4×2矩阵 4.2. Numpy实战4.1 4.3. SVD分解3×2矩阵 4.4. Numpy 实战4.3 五. SVD分解应用之图像压缩 5.1. 分步骤解读 5.2. 完整代码 六. 参考文章 一. 相关概念 奇异值分解(Singular Value Decomposition)是线性代数中一种重要的矩阵分解(Matrix Decomposition),奇异值分解则是特征分解在任意矩阵上的推广。在信号处理、统计学等领域有重要应用。这篇文章主要说下奇异值分解,这个方法在机器学习的一些算法里占有重要地位。 1.1. 正交矩阵 如果一个矩阵满足以下几个条件,则此矩阵就是正交矩阵: 是一个 方阵; 和自己的转置矩阵的矩阵乘积 = =