奇异值分解(SVD)原理与在降维中的应用

今天看了一篇介绍奇异值分解的详解博客，介绍的非常好特此转载。
奇异值分解(Singular Value Decomposition，以下简称SVD)是在机器学习领域广泛应用的算法，它不光可以用于降维算法中的特征分解，还可以用于推荐系统，以及自然语言处理等领域。是很多机器学习算法的基石。本文就对SVD的原理做一个总结，并讨论在在PCA降维算法中是如何运用运用SVD的。

1. 回顾特征值和特征向量

我们首先回顾下特征值和特征向量的定义如下：

$$Ax=λx$$

　 其中A是一个$n×n$的矩阵，x是一个n维向量，则我们说λ是矩阵A的一个特征值，而x是矩阵A的特征值λ所对应的特征向量。
　　求出特征值和特征向量有什么好处呢？ 就是我们可以将矩阵A特征分解。如果我们求出了矩阵A的n个特征值λ1≤λ2≤…≤λn,以及这n个特征值所对应的特征向量{w1,w2,…wn}，那么矩阵A就可以用下式的特征分解表示：

$$A=WΣW^{-1}$$

　　其中W是这n个特征向量所张成的n×n维矩阵，而Σ为这n个特征值为主对角线的n×n维矩阵。一般我们会把W的这n
个特征向量标准化，即满足||wi||2=1,或者说$w^T_iw_i=1$，此时W的n个特征向量为标准正交基，满足$W^TW=I$,即$W^T=W^{−1}$, 也就是说W为酉矩阵。
　　这样我们的特征分解表达式可以写成

$$A=WΣW^T$$

　　　　注意到要进行特征分解，矩阵A必须为方阵。那么如果A不是方阵，即行和列不相同时，我们还可以对矩阵进行分解吗？答案是可以，此时我们的SVD登场了。

2. SVD的定义

SVD也是对矩阵进行分解，但是和特征分解不同，SVD并不要求要分解的矩阵为方阵。假设我们的矩阵A是一个m×n的矩阵，那么我们定义矩阵A的SVD为：

$$A=UΣV^T$$

　　其中U是一个$m×m$的矩阵，Σ是一个m×n的矩阵，除了主对角线上的元素以外全为0，主对角线上的每个元素都称为奇异值，V是一个$n×n$的矩阵。U和V都是酉矩阵，即满足$U^TU=I,V^TV=I$。下图可以很形象的看出上面SVD的定义：

那么我们如何求出SVD分解后的$U,Σ,V$这三个矩阵呢？
　　如果我们将A的转置和A做矩阵乘法，那么会得到n×n
的一个方阵ATA。既然ATA是方阵，那么我们就可以进行特征分解，得到的特征值和特征向量满足下式：

$$(A^TA)v_i=λ_iv_i$$ 这样我们就可以得到矩阵 $A^TA$的n个特征值和对应的n个特征向量v了。将 $A^TA$的所有特征向量张成一个n×n
的矩阵V，就是我们SVD公式里面的V矩阵了。一般我们将V中的每个特征向量叫做A的右奇异向量。
　　如果我们将A和A的转置做矩阵乘法，那么会得到m×m的一个方阵 $AA^T$。既然AAT是方阵，那么我们就可以进行特征分解，得到的特征值和特征向量满足下式： $$(AA^T)u_i=λ_iu_i$$ 这样我们就可以得到矩阵 $AA^T$的m个特征值和对应的m个特征向量u了。将AAT的所有特征向量张成一个m×m的矩阵U，就是我们SVD公式里面的U矩阵了。一般我们将U中的每个特征向量叫做A的左奇异向量。

　　U和V我们都求出来了，现在就剩下奇异值矩阵Σ没有求出了。由于Σ除了对角线上是奇异值其他位置都是0，那我们只需要求出每个奇异值σ就可以了。
　　我们注意到:

$$A=UΣV^T⇒AV=UΣV^TV⇒AV=UΣ⇒Av_i=σ_iu_i⇒σ_i=Av_i/u_i$$

　　这样我们可以求出我们的每个奇异值，进而求出奇异值矩阵Σ。
　　上面还有一个问题没有讲，就是我们说ATA的特征向量组成的就是我们SVD中的V矩阵，而AAT的特征向量组成的就是我们SVD中的U矩阵，这有什么根据吗？这个其实很容易证明，我们以V矩阵的证明为例。

$$A=UΣV^T⇒A^T=VΣ^TU^T⇒A^TA=VΣ^TU^TUΣV^T=VΣ2V^T$$

　　上式证明使用了:$U^TU=I,Σ^TΣ=Σ2$。
可以看出ATA的特征向量组成的的确就是我们SVD中的V矩阵。类似的方法可以得到$AA^T$的特征向量组成的就是我们SVD中的U矩阵。

　　进一步我们还可以看出我们的特征值矩阵等于奇异值矩阵的平方，也就是说特征值和奇异值满足如下关系：

$$σ_i=\sqrt{λ_i}$$

　　这样也就是说，我们可以不用$σ_i=Av_i/u_i$来计算奇异值，也可以通过求出$A^TA$的特征值取平方根来求奇异值。

3.SVD计算举例

　　这里我们用一个简单的例子来说明矩阵是如何进行奇异值分解的。我们的矩阵A定义为：

$$A=\begin{pmatrix}0 & 1 \\ 1 & 1 \\ 1 & 0 \\ \end{pmatrix}$$

　　我们首先求出$A^TA$和$AA^T$:

$$A^TA= \begin{pmatrix}0 & 1 & 1 \\ 1 & 1 & 0 \\ \end{pmatrix} \begin{pmatrix}0 & 1 \\ 1 & 1 \\ 1 & 0 \\ \end{pmatrix} = \begin{pmatrix}2 & 1 \\ 1 & 2 \\ \end{pmatrix}$$ $$AA^T=\begin{pmatrix}0 & 1 \\ 1 & 1 \\ 1 & 0 \\ \end{pmatrix} \begin{pmatrix}0 & 1 & 1 \\ 1 & 1 & 0 \\ \end{pmatrix} = \begin{pmatrix}1 & 1& 0\\ 1 & 2 &1\\0&1&1 \end{pmatrix}$$
　　进而求出 $A^TA$的特征值和特征向量：
　　
$$λ_1=3;v_1=\begin{pmatrix}1/\sqrt{2} \\ 1/\sqrt{2}\end{pmatrix};λ_2=1;v_2=\begin{pmatrix} −1/\sqrt{2} \\ 1/\sqrt2\end{pmatrix}$$

　　接着求$AA^T$的特征值和特征向量：
　　

$$λ_1=3;u_1=\begin{pmatrix}1/\sqrt6 \\ 2/\sqrt6 \\ 1/\sqrt6\end{pmatrix};λ_2=1;u_2=\begin{pmatrix}1/\sqrt2 \\ 0 \\−1/\sqrt2\end{pmatrix};λ_3=0;u_3=\begin{pmatrix}1/\sqrt3\\ −1/\sqrt3\\1/\sqrt3\end{pmatrix}$$
　　利用 $Av_i=σ_iu_i,i=1,2$求奇异值：
　　 $$\begin{pmatrix}0 & 1\\1 &1\\1&0\end{pmatrix}\begin{pmatrix}1/\sqrt2\\1/\sqrt2\end{pmatrix}=σ_1\begin{pmatrix}1/\sqrt6\\2/\sqrt6\\1/\sqrt6\end{pmatrix}⇒σ_1=\sqrt3$$

$$\begin{pmatrix}0 & 1\\1 &1\\1&0\end{pmatrix}\begin{pmatrix}-1/\sqrt2\\1/\sqrt2\end{pmatrix}=σ_2\begin{pmatrix}1/\sqrt2\\0\\-1/\sqrt2\end{pmatrix}⇒σ_2=1$$
当然，我们也可以用 $σ_i=λ_i$直接求出奇异值为 $\sqrt3$和1.
最终得到A的奇异值分解为：
$$A=UΣV^T=\begin{pmatrix}1/\sqrt6&1/\sqrt2&1/\sqrt3\\2/\sqrt6&0&−1/\sqrt3\\1/\sqrt6&−1/\sqrt2&1/\sqrt3\end{pmatrix}\begin{pmatrix}\sqrt3&0\\0&1\\0&0\end{pmatrix}\begin{pmatrix}1/\sqrt2&1/\sqrt2\\-1/\sqrt2&1/\sqrt2\end{pmatrix}$$

4. SVD的一些性质

上面几节我们对SVD的定义和计算做了详细的描述，似乎看不出我们费这么大的力气做SVD有什么好处。那么SVD有什么重要的性质值得我们注意呢？
　　对于奇异值,它跟我们特征分解中的特征值类似，在奇异值矩阵中也是按照从大到小排列，而且奇异值的减少特别的快，在很多情况下，前10%甚至1%的奇异值的和就占了全部的奇异值之和的99%以上的比例。也就是说，我们也可以用最大的k个的奇异值和对应的左右奇异向量来近似描述矩阵。也就是说：

$$A_{m×n}=U_{m×m}Σ_{m×n}V^T_{n×n}≈U_{m×k}Σ_{k×k}V^T_{k×n}$$ 其中k要比n小很多，也就是一个大的矩阵A可以用三个小的矩阵 $U_{m×k}$, $Σ_{k×k}$, $V^T_{k×n}$来表示。如下图所示，现在我们的矩阵A只需要灰色的部分的三个小矩阵就可以近似描述了。
　　
　　由于这个重要的性质，SVD可以用于PCA降维，来做数据压缩和去噪。也可以用于推荐算法，将用户和喜好对应的矩阵做特征分解，进而得到隐含的用户需求来做推荐。同时也可以用于NLP中的算法，比如潜在语义索引（LSI）。下面我们就对SVD用于PCA降维做一个介绍。

5. SVD用于PCA

在主成分分析（PCA）原理总结中，我们讲到要用PCA降维，需要找到样本协方差矩阵$X^TX$的最大的d个特征向量，然后用这最大的d个特征向量张成的矩阵来做低维投影降维。可以看出，在这个过程中需要先求出协方差矩阵$X^TX$，当样本数多样本特征数也多的时候，这个计算量是很大的。
　　注意到我们的SVD也可以得到协方差矩阵$X^TX$最大的d个特征向量张成的矩阵，但是SVD有个好处，有一些SVD的实现算法可以不求先求出协方差矩阵$X^TX$，也能求出我们的右奇异矩阵V。也就是说，我们的PCA算法可以不用做特征分解，而是做SVD来完成。这个方法在样本量很大的时候很有效。实际上，scikit-learn的PCA算法的背后真正的实现就是用的SVD，而不是我们我们认为的暴力特征分解。
　　另一方面，注意到PCA仅仅使用了我们SVD的右奇异矩阵，没有使用左奇异矩阵，那么左奇异矩阵有什么用呢？
　　假设我们的样本是m×n的矩阵X，如果我们通过SVD找到了矩阵$XX^T$最大的d个特征向量张成的m×d维矩阵U，则我们如果进行如下处理：

$$X^′_{d×n}=U^T_{d×m}X_{m×n}$$

　　可以得到一个d×n的矩阵$X^′$,这个矩阵和我们原来的m×n维样本矩阵X相比，行数从m减到了k，可见对行数进行了压缩。也就是说，左奇异矩阵可以用于行数的压缩。相对的，右奇异矩阵可以用于列数即特征维度的压缩，也就是我们的PCA降维。　

6. SVD小结

SVD作为一个很基本的算法，在很多机器学习算法中都有它的身影，特别是在现在的大数据时代，由于SVD可以实现并行化，因此更是大展身手。SVD的原理不难，只要有基本的线性代数知识就可以理解，实现也很简单因此值得仔细的研究。当然，SVD的缺点是分解出的矩阵解释性往往不强，有点黑盒子的味道，不过这不影响它的使用。