SVD的概述
优点:简化数据、去除噪声、提高算法的结果。
缺点:数据的转换可能难以理解。
适用数据类型:数值型数据。
应用场景:1、隐性语义索引(信息检索);2、推荐系统
基础知识
矩阵分解可以将原始矩阵表示成新的易于处理的形式,这种新的形式是两个或多个矩阵的乘积。
最常见的一种矩阵分解技术就是SVD,可以表示为如下过程:
中间的矩阵只有对角元素,其他元素均为0。其中的对角元素按从大到小排列,这些元素称为奇异值。
奇异值与特征值有共通点:
这里的奇异值就是Data*Data.T特征值的平方根。
SVD的算法流程
主要使用了线性代数的相关知识,这里直接使用numpy中间的linalg这个线性代数工具来求解。
演示
from numpy import *
U, Sigma, VT = linalg.svd([[1, 1], [7, 7]])
print(U)
print(Sigma)
print(VT)
PS:中间的Sigma为矩阵,只是因为特殊性,numpy对其简写了。
之后再补充相关应用。
参考:
《机器学习实战》