本文介绍了机器学习中的线性代数概念，重点讨论矩阵分解，包括特征值分解和奇异值分解（SVD）。PCA（主成分分析）作为重要的降维方法，通过特征值分解和SVD实现，有助于数据预处理和降低复杂度。特征值分解适用于方阵，SVD则适用于任意矩阵。PCA选择主成分的数量是关键决策点。
基础知识的的复习：
矩阵分解
-
特征值分解。
-
PCA(Principal Component Analysis)分解，作用：降维、压缩。
-
SVD(Singular Value Decomposition)分解，也叫奇异值分解。
矩阵分解的主要应用是：降维、聚类分析、数据预处理、低维度特征学习、特征学习、推荐系统、大数据分析等。
特征值分解
如果一个向量v是矩阵A的特征向量，将一定可以表示成下面的形式：
其中，λ是特征向量v对应的特征值，一个矩阵的一组特征向量是一组正交向量。
对于矩阵A，有一组特征向量v，将这组向量进行正交化单位化，就能得到一组正交单位向量。特征值分解，就是将矩阵A分解为如下式：
最低0.47元/天 解锁文章
扫一扫
1403
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
