SVD原理
SVD定义
1、对于方阵,我们可以将其特征分解为:
A=X∧X−1A=X∧X−1
- X的列:为A的特征向量
- ∧为对角矩阵:对角线上的值为A的特征值,按从大到小的顺序排列
2、对于普通矩阵,其总可以进行奇异值分解:
A=UΣ
- 其中U 和V都为正交矩阵,Σ为对角矩阵
- 几何含义:
表示找到了U和V这样两组基:A矩阵的作用是将一个向量从V这组正交基向量的空间旋转到U这组正交基向量的空间,并对每 个方向进行了一定的缩放(由Σ决定),缩放因子就是各个奇异值。如果V的维度比U 大,则表示还进行了投影。
奇异值分解:将一个矩阵原本混合在一起的三种作用效果,分解出来了。
SVD的分解示意图如下:
SVD性质
- 奇异值的比例不变性:
即αA的奇异值是A的奇异值的|α|倍
- 奇异值的旋转不变性:
若P是