奇异值分解求解线性最小二乘问题
奇异值分解解决最小二乘问题,一般来讲,最小二乘问题一种普适性的说法是残差的平方和最小,并不拘泥于如下形式进行求导获得最小值,向量值也可以是残差的平方和。
对于 AX=0 这种形式,(此处的0指的是0向量,不是标量)只要使得AX向量的值接近0,此时的X即为最优解,最终的目的也是残差的平和和最小。
首先明确什么是奇异值分解。
对于一个矩阵A,如果它是一个 m×n 的矩阵,那么通过线性变换 y = Ax,输入向量 x 的维度是 n,输出向量 y 的维度是 m。这意味着线性变换可以将一个 n 维的向量映射为一个 m 维的向量。
当 m > n 时,线性变换可以将一个低维空间中的向量映射到一个高维空间中。这种情况下,线性变换增加了向量的维度,引入了更多的自由度和信息。
当 m < n 时,线性变换可以将一个高维空间中的向量映射到一个低维空间中。这种情况下,线性变换降低了向量的维度,可能会引起信息损失和数据压缩。
特别地,当 m = n 时,矩阵 A 是一个方阵,线性变换将向量从一个 n 维空间映射到另一个 n 维空间。这种情况下,线性变换可以保持向量的维度不变,但可以改变向量在空间中的位置、方向和尺度。
对于这个线性变换矩阵A(无论是矩阵还是方阵),都是对向量X的线性变换,那么我们可以对矩阵A进行分解,分析他对不同的向量X可以起到哪些效果的线性变换。奇异值分解得到三个矩阵,左奇异矩阵,奇异值矩阵,右奇异矩阵,奇异矩阵都是正交矩阵。
如果A存在0奇异值,那么A存在一个零空间,零空间内的任何向量经过A的线性变换都为0向量。但一般对于超定的最小二乘方程组,奇异值不为0。对于最小二乘问题只能获得近似解。