数据挖掘--矩阵的SVD分解

QR分解虽然很有用，而且具有较为稳定的性质，但也有不足之处：QR分解只能提供原矩阵A的列的一组正交基。
现在介绍的SVD分解可以分别提供对应原矩阵的行、列的正交基。

矩阵U、矩阵V的列向量都是奇异向量；
中间的对角矩阵的对角元是奇异值。

上图中的两种表示方法展现了两种SVD，前者为FULL型的，后者为THIN型的（也称经济型的）

% MATLAB函数
[U,S,V]=svd(A) %第一种的SVD分解
[U,S,V]=svd(A,0) %第二种的SVD分解，也就是thin型的SVD

矩阵的二范数保酉不变性：对矩阵A乘上酉矩阵U（也就是正交阵），前后的矩阵二范数不变。
（注：可以利用矩阵二范数||A||₂²=tr(A^TA)+相似变换不改变矩阵的迹，相似变换不改变矩阵特征值来证明。）
于是有了以下结论，彩色笔涂的是重点。

SVD分别给出了原矩阵A的值域、零空间的正交基，如下图。

下面这张图告诉我们：SVD分解出的中间的那个对角矩阵中提供的奇异值可以反映出原矩阵A的秩。

SVD还可以用来给矩阵去噪：
A=A₀+N,其中A是我们实际得到的，A₀是真实中不加噪声的原数据，N表示噪声，噪声比较小。我们考虑使用SVD的方法除去噪声，取出或者说近似的得出原始矩阵A₀。具体方法是对矩阵A进行SVD分解，并舍弃其中较小的奇异值和对应的奇异向量，如下图，又称为”截断SVD“，低秩近似分解，图中A_K就是原矩阵A的近似矩阵。

低秩近似的二范数误差是：第k+1个奇异值

低秩近似的F范数的误差是：

下面的引理给出了矩阵内积的定义：

SVD分解出的左右奇异向量证明了，矩阵A可以表示成几个秩为1的矩阵的和。

而且，这里的秩1矩阵相互正交，如下图：

只有当i=k且j=l时，两个秩1矩阵的内积才不为0，是1.
下图是，低秩近似结果的示意图：

SVD解最小二乘问题：

1. 列满秩的情况
   
   证明过程，如下图：
   
   
   
2. 原矩阵A列秩亏（行数>列数）的情况
   此时，没有唯一解，但有最小范数解：
   
   
   证明过程如下：
   
3. SVD解欠定方程（行数<列数）
   首先，给出欠定方程的定义：
   
   结论：
   

%MATLAB程序
[U,S,V]-svds(A,K) %针对大型稀疏矩阵所作的部分SVD分解。
%取前K个奇异值和奇异向量。

SVD的缺点是代价比较高，更新时可复用性比较差（比如，需要在其中添加新矩阵的行、列）
考虑完全正交分解：

如果使用截断SVD方法，那么怎么确认取多少项的奇异值和奇异向量呢（也就是如何确定k）？

采用降秩模型：


使用案例：
根据前文建立的文本词条矩阵，现在寻找距离查询向量q₁、q₂的各自低秩近似的k.

绿色字体表示使用了上述的降秩模型：


取不同的k值对这两个查询向量的逼近程度（用相对误差来衡量），结果如下：