![](https://img-blog.csdnimg.cn/20201014180756916.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
矩阵分解
从零开始tensor
这个作者很懒,什么都没留下…
展开
-
PCA(主成分分析)及其求解
有道云笔记原创 2021-10-14 22:25:48 · 106 阅读 · 0 评论 -
SVD(奇异值分解)及其求解
PCA:方差最大的情况下蕴含最丰富的信息 SVD:奇异值分解 M分解为三个矩阵相乘 中间矩阵a和b都代表奇异值,其他的元素都是0 左乘一个S矩阵,代表D上每一个数据点都被拉伸,上例中沿X方向拉伸为原来的两倍; 左乘一个这样的矩阵R,原矩阵数据点逆时针旋转了sheta度。 M=U∑Vt就相当于是旋转拉伸旋转 (补充:V正交矩阵是方块矩阵,行向量和列向量皆为正交的单位向量。) ∑主对角元素δ为奇异值,V是正交阵,它的转置和逆相等。 取前r个奇异值,∑中奇异值从大到...原创 2021-10-14 20:38:16 · 248 阅读 · 0 评论