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:
A
x
=
λ
x
Ax=λx
Ax=λx
其中A是一个n×n的实对称矩阵,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
λ
1
≤
λ
2
≤
.
.
.
≤
λ
n
λ_1≤λ_2≤...≤λ_n
λ1≤λ2≤...≤λn,以及这n个特征值所对应的特征向量
w
1
,
w
2
,
.
.
.
w
n
{w_1,w_2,...w_n}
w1,w2,...wn,,如果这n个特征向量线性无关,那么矩阵A就可以用下式的特征分解表示:
A
=
W
Σ
W
−
1
A=WΣW^{−1}
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 ∣ ∣ w i ∣ ∣ 2 = 1 ||w_i||_2=1 ∣∣wi∣∣2=1, 或者说 w i T w i = 1 w^T_iw_i=1 wiTwi=1,此时W的n个特征向量为标准正交基,满足 W T W = I W^TW=I WTW=I,即 W T = W − 1 W^T=W^{−1} WT=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
=
W
Σ
W
T
A=WΣW^T
A=WΣWT
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
=
U
Σ
V
T
A=UΣV^T
A=UΣVT
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
T
U
=
I
U^TU=I
UTU=I,
V
T
V
=
I
V^TV=I
VTV=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
A
T
A
A^TA
ATA。既然
A
T
A
A^TA
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
T
A
)
v
i
=
λ
i
v
i
(A^TA)v_i=λ_iv_i
(ATA)vi=λivi
这样我们就可以得到矩阵
A
T
A
A^TA
ATA的n个特征值和对应的n个特征向量v了。将
A
T
A
A^TA
ATA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
A
A
T
AA^T
AAT。既然
A
A
T
AA^T
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:
(
A
A
T
)
u
i
=
λ
i
u
i
(AA^T)u_i=λ_iu_i
(AAT)ui=λiui
这样我们就可以得到矩阵AAT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
=
U
Σ
V
T
⇒
A
V
=
U
Σ
V
T
V
⇒
A
V
=
U
Σ
⇒
A
v
i
=
σ
i
u
i
⇒
σ
i
=
A
v
i
/
u
i
A=UΣV^T⇒AV=UΣV^TV⇒AV=UΣ⇒Av_i=σ_iu_i⇒σ_i=Av_i/u_i
A=UΣVT⇒AV=UΣVTV⇒AV=UΣ⇒Avi=σiui⇒σi=Avi/ui
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
A
T
A
A^TA
ATA的特征向量组成的就是我们SVD中的V矩阵,而
A
A
T
AA^T
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
=
U
Σ
V
T
⇒
A
T
=
V
Σ
T
U
T
⇒
A
T
A
=
V
Σ
T
U
T
U
Σ
V
T
=
V
Σ
2
V
T
A=UΣV^T⇒A^T=VΣ^TU^T⇒A^TA=VΣ^TU^TUΣV^T=VΣ^2V^T
A=UΣVT⇒AT=VΣTUT⇒ATA=VΣTUTUΣVT=VΣ2VT
上式证明使用了:
U
T
U
=
I
U^TU=I
UTU=I,
Σ
T
Σ
=
Σ
2
Σ^TΣ=Σ^2
ΣTΣ=Σ2。可以看出
A
T
A
A^TA
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
A
A
T
AA^T
AAT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
=
λ
i
σ_i=\sqrt{λ_i}
σi=λi
这样也就是说,我们可以不用
σ
i
=
A
v
i
/
u
i
σ_i=Av_i/u_i
σi=Avi/ui来计算奇异值,也可以通过求出
A
T
A
A^TA
ATA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
=
[
0
1
1
1
1
0
]
A=\left[ \begin{matrix} 0 & 1 \\ 1 & 1 \\ 1 & 0 \\ \end{matrix} \right]
A=⎣⎡011110⎦⎤
我们首先求出
A
T
A
A^TA
ATA和
A
A
T
AA^T
AAT
A
T
A
=
[
0
1
1
1
1
0
]
[
0
1
1
1
1
0
]
=
[
2
1
1
2
]
A^TA=\left[ \begin{matrix} 0 & 1 & 1 \\ 1 & 1 & 0 \\ \end{matrix} \right] \left[ \begin{matrix} 0 & 1 \\ 1 & 1 \\ 1 & 0 \\ \end{matrix} \right] =\left[ \begin{matrix} 2 & 1 \\ 1 & 2 \\ \end{matrix} \right]
ATA=[011110]⎣⎡011110⎦⎤=[2112]
A
A
T
=
[
0
1
1
1
1
0
]
[
0
1
1
1
1
0
]
=
[
1
1
0
1
2
1
0
1
1
]
AA^T= \left[ \begin{matrix} 0 & 1 \\ 1 & 1 \\ 1 & 0 \\ \end{matrix} \right] \left[ \begin{matrix} 0 & 1 & 1 \\ 1 & 1 & 0 \\ \end{matrix} \right] =\left[ \begin{matrix} 1 & 1 & 0 \\ 1 & 2 & 1 \\ 0 & 1 & 1 \\ \end{matrix} \right]
AAT=⎣⎡011110⎦⎤[011110]=⎣⎡110121011⎦⎤
进而求出
A
T
A
A^TA
ATA的特征值和特征向量:
λ
1
=
3
λ_1=3
λ1=3
v
1
=
[
1
/
2
1
/
2
]
v_1= \left[ \begin{matrix} 1/\sqrt{2} \\ 1/\sqrt{2} \\ \end{matrix} \right]
v1=[1/21/2]
λ
2
=
1
λ_2=1
λ2=1
v
2
=
[
−
1
/
2
1
/
2
]
v_2=\left[ \begin{matrix} -1/\sqrt{2} \\ 1/\sqrt{2} \\ \end{matrix} \right]
v2=[−1/21/2]
接着求
A
A
T
AA^T
AAT的特征值和特征向量:
λ
1
=
3
λ_1=3
λ1=3
u
1
=
[
1
/
6
2
/
6
1
/
6
]
u_1= \left[ \begin{matrix} 1/\sqrt{6} \\ 2/\sqrt{6} \\ 1/\sqrt{6} \\ \end{matrix} \right]
u1=⎣⎡1/62/61/6⎦⎤
λ
2
=
1
\lambda_2=1
λ2=1
u
2
=
[
1
/
2
0
−
1
/
2
]
u_2= \left[ \begin{matrix} 1/\sqrt{2} \\ 0 \\ -1/\sqrt{2} \\ \end{matrix} \right]
u2=⎣⎡1/20−1/2⎦⎤
λ
3
=
0
\lambda_3=0
λ3=0
u
3
=
[
1
/
3
−
1
/
3
1
/
3
]
u_3= \left[ \begin{matrix} 1/\sqrt{3} \\ -1/\sqrt{3} \\ 1/\sqrt{3} \\ \end{matrix} \right]
u3=⎣⎡1/3−1/31/3⎦⎤
利用
A
v
i
=
σ
i
u
i
Av_i=σ_iu_i
Avi=σiui,
i
=
1
,
2
i=1,2
i=1,2求奇异值:
[
0
1
1
1
1
0
]
[
1
/
2
1
/
2
]
=
σ
1
[
1
/
6
2
/
6
1
/
6
]
⇒
σ
1
=
3
\left[ \begin{matrix} 0 & 1 \\ 1 & 1 \\ 1 & 0 \\ \end{matrix} \right] \left[ \begin{matrix} 1/\sqrt{2} \\ 1/\sqrt{2} \\ \end{matrix} \right] =\sigma_1 \left[ \begin{matrix} 1/\sqrt{6} \\ 2/\sqrt{6} \\ 1/\sqrt{6} \\ \end{matrix} \right]\Rightarrow\sigma_1=\sqrt{3}
⎣⎡011110⎦⎤[1/21/2]=σ1⎣⎡1/62/61/6⎦⎤⇒σ1=3
[
0
1
1
1
1
0
]
[
−
1
/
2
1
/
2
]
=
σ
2
[
1
/
2
0
−
1
/
2
]
⇒
σ
2
=
1
\left[ \begin{matrix} 0 & 1 \\ 1 & 1 \\ 1 & 0 \\ \end{matrix} \right] \left[ \begin{matrix} -1/\sqrt{2} \\ 1/\sqrt{2} \\ \end{matrix} \right] =\sigma_2 \left[ \begin{matrix} 1/\sqrt{2} \\ 0 \\ -1/\sqrt{2} \\ \end{matrix} \right] \Rightarrow\sigma_2=1
⎣⎡011110⎦⎤[−1/21/2]=σ2⎣⎡1/20−1/2⎦⎤⇒σ2=1
当然,我们也可以用
σ
i
=
λ
i
σ_i=\sqrt{λi}
σi=λi直接求出奇异值为
3
\sqrt{3}
3和
1
1
1.
最终得到A的奇异值分解为:
A
=
U
Σ
V
T
=
[
1
/
6
1
/
2
1
/
3
2
/
6
0
−
1
/
3
1
/
6
−
1
/
2
1
/
3
]
[
3
0
0
1
0
0
]
A=UΣV^T= \left[ \begin{matrix} 1/\sqrt{6} & 1/\sqrt{2} & 1/\sqrt{3} \\ 2/\sqrt{6} & 0 & -1/\sqrt{3} \\ 1/\sqrt{6} & -1/\sqrt{2} & 1/\sqrt{3} \\ \end{matrix} \right] \left[ \begin{matrix} \sqrt{3} & 0 \\ 0 & 1 \\ 0 & 0 \\ \end{matrix} \right]
A=UΣVT=⎣⎡1/62/61/61/20−1/21/3−1/31/3⎦⎤⎣⎡300010⎦⎤
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
n
×
n
T
≈
U
m
×
k
Σ
k
×
k
V
k
×
n
T
A_{m×n}=U_{m×m}Σ_{m×n}V^T_{n×n} \approx U_{m×k}Σ_{k×k}V^T_{k×n}
Am×n=Um×mΣm×nVn×nT≈Um×kΣk×kVk×nT
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
U_{m×k}
Um×k,
Σ
k
×
k
Σ_{k×k}
Σk×k,
V
k
×
n
T
V^T_{k×n}
Vk×nT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。
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-AwpFlkfq-1578161200204)(index_files/1042406-20170105140822191-1774139119.png)]
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 T X X^TX XTX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 T X X^TX XTX,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 T X X^TX XTX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 T X X^TX XTX,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XXT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
d
×
m
T
X
m
×
n
X′_{d×n}=U^T_{d×m}X_{m×n}
X′d×n=Ud×mTXm×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d,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。