聊聊线性代数（14）SVD的应用--2

 

 

注意SVD的降维实际上是降低矩阵的秩，而并未实际上降低矩阵的大小。

 注:摘自清风老师的数学建模课件

而且，看上去矩阵经过SVD变小了，但如果把三个矩阵乘回去却没有改变矩阵的大小。

 

 注:摘自清风老师的数学建模课件

在SVD降维中，保留的信息权重实际上就是信息对应奇异值所占总奇异值的比例，也叫特征比例。

如图，我们只保留对应矩阵奇异值为8.45，4.94的部分，实际上也就是保留了矩阵92.34%的信息量。

因此SVD自然而然地可以用于各种需要对数据进行减重压缩处理的场合。

比如:图像的压缩处理，也就是在损失一定清晰度的成本下，对图片进行主要特征的提取，换来了更小的内存占用。

 

 

如图所示，图片经过处理后，清晰度随着特征比例保留程度的减少而减少，但相应的，奇异值数目也减少了，图片占用的内存也减少了。

没有接触过相应领域的朋友们可能会问:SVD跟图片有个毛关系啊?

别急，下次再讲。