奇异值分解(SVD)原理与在降维中的应用

奇异值分解(SVD)原理与在降维中的应用

　　　　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” role=”presentation” style=”text-align: center; position: relative;”>Ax=λxAx=λx

　　　　其中A是一个n×n” role=”presentation” style=”position: relative;”>n×nn×n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” role=”presentation” style=”position: relative;”>nn

　　　　其中W是这n” role=”presentation” style=”position: relative;”>nn维矩阵。

　　　　一般我们会把W的这n” role=”presentation” style=”position: relative;”>nn, 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=WΣWT” role=”presentation” style=”text-align: center; position: relative;”>A=WΣWTA=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” role=”presentation” style=”position: relative;”>m×nm×n

　　　　其中U是一个m×m” role=”presentation” style=”position: relative;”>m×mm×m。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” role=”presentation” style=”position: relative;”>U,Σ,VU,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” role=”presentation” style=”position: relative;”>n×nn×n

　　　　这样我们就可以得到矩阵ATA” role=”presentation” style=”position: relative;”>ATAATA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” role=”presentation” style=”position: relative;”>m×mm×m

　　　　这样我们就可以得到矩阵AAT” role=”presentation” style=”position: relative;”>AATAAT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” role=”presentation” style=”position: relative;”>ΣΣ就可以了。

　　　　我们注意到:

A=UΣVT⇒AV=UΣVTV⇒AV=UΣ⇒Avi=σiui⇒σi=Avi/ui” role=”presentation” style=”text-align: center; position: relative;”>A=UΣVT⇒AV=UΣVTV⇒AV=UΣ⇒Avi=σiui⇒σi=Avi/uiA=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” role=”presentation” style=”position: relative;”>ΣΣ。

　　　 上面还有一个问题没有讲，就是我们说ATA” role=”presentation” style=”position: relative;”>ATAATA

　　　　上式证明使用了:UTU=I,ΣTΣ=Σ2。” role=”presentation” style=”position: relative;”>UTU=I,ΣTΣ=Σ2。UTU=I,ΣTΣ=Σ2。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：

σi=λi” role=”presentation” style=”text-align: center; position: relative;”>σi=λi−−√σi=λi

　　　　这样也就是说，我们可以不用σi=Avi/ui” role=”presentation” style=”position: relative;”>σi=Avi/uiσi=Avi/ui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=(