奇异值分解SVD与在降维中的应用

最新推荐文章于 2024-03-12 21:16:07 发布

我对算法一无所知

最新推荐文章于 2024-03-12 21:16:07 发布

阅读量541

点赞数 2

分类专栏：历程文章标签：算法机器学习线性代数奇异值分解特征值分解

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/qq_31267769/article/details/108083282

版权

本文详细介绍了奇异值分解（SVD）的概念，对比了它与特征值分解的区别，并阐述了奇异值在度量矩阵信息和降维中的作用。通过奇异值分解，可以对矩阵进行有效的降维，适用于PCA、推荐系统和NLP等领域。

摘要由CSDN通过智能技术生成

目录

1. 特征值分解

1.1 特征值与特征向量

2 奇异值分解

3 奇异值的意义

4 奇异值究竟是什么？

引用及参考文献

1. 特征值分解

1.1 特征值与特征向量

特征值与特征向量定义如下：

$Ax=\lambda x$

是一个 n*n 实对称矩阵，是一个维向量，则 $\lambda$ 是矩阵的一个特征值，而是矩阵的特征值 $\lambda$ 所对应的特征向量。如果这些特征向量是线性无关的，即任意一个特征向量都不能被其他的向量的线性组合所表述出来，那么矩阵就可以特征分解，用以下式子表示：

$A=W\varSigma W^{-1}$

其中是这n个特征向量做组成的 n*n 维矩阵，而 $\varSigma$ 是以特征向量对应的特征值为对角线的 n*n 维三角阵。将中的特征向量单位化，使得 W^TW=I ，即 $W^T=W^{-1}$ ，故特征值分解也可以表达为：

最低0.47元/天解锁文章

我对算法一无所知

关注

2
点赞
踩
3

收藏

觉得还不错? 一键收藏
0
评论
奇异值分解SVD与在降维中的应用

1. 特征值分解1.1 特征值与特征向量特征值与特征向量定义如下：是一个实对称矩阵，是一个维向量，则是矩阵的一个特征值，而是矩阵的特征值所对应的特征向量。如果这些特征向量是线性无关的，即任意一个特征向量都不能被其他的向量的线性组合所表述出来，那么矩阵就可以特征分解，用以下式子表示：其中是这n个特征向量做组成的维矩阵，而是以特征向量对应的特征值为对角线的维三角阵。将中的特征向量单位化，使得，即，故特征值分解也可以表达为：征值分解，对矩阵有着较高的要求，它需要被分解的矩阵为实对称
复制链接

扫一扫

专栏目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。