机器学习笔记 - SVD奇异值分解(2)

一、三次变换

         上一节如何通过旋转或缩放矩阵来转换向量和矩阵。

机器学习笔记 - 奇异值分解(1)_bashendixie5的博客-CSDN博客特征分解只能对方阵进行。对于非方阵的矩阵可以使用奇异值分解（SVD）。使用SVD，您可以将矩阵分解为三个矩阵。我们将这些新矩阵视为空间的子变换。不是在一个动作中进行转换，而是将其分解为三个动作。最后，我们会将SVD应用于图像处理，看到SVD对示例图像的影响。我们了解了如何通过旋转或缩放矩阵来转换向量和矩阵。SVD可以看作是将一个复杂变换分解为3个更简单的变换（旋转、缩放、旋转）。https://blog.csdn.net/bashendixie5/article/details/124266777

        现在矩阵和线性变换之间的联系更清楚了，我们可以进行与矩阵相关的变换是否可以在 SVD 的帮助下分解。

        但首先让我们创建一个函数，将 2D 矩阵作为输入，并在我们将此矩阵应用于它时绘制单位圆变换。 可视化转换将很有用。

def matrixToPlot(matrix, vectorsCol=['#FF9A13