对于方阵,我们都知道能够进行特征值分解,分解后能得到一些特征值和对应的特征向量。
那么问题就来了,对于不是方阵的矩阵来说该用什么来显示这个矩阵的特征呢?
奇异值分解SVD就很好的解决了这个问题。
| M*N |= | M*M | * | M*N | * | N*N |
其中 | M*N | 是仅含奇异值的矩阵,左右两边都是奇异向量,并且里面左奇异向量与右奇异向量矩阵里面都是正交向量。
奇异值分解其实是对这个矩阵转换成方阵后(乘转置)进行方阵特征值分解。
如下:
这里 σ 就是右边| M*N | 里面的奇异值了,在矩阵中和特征值一样从大到小排列。
Vi 就是右奇异向量了,Ui是左奇异向量
应用:
SVD分解一般可以用在很多,拟合、优化上,比如平面、直线拟合等