矩阵分解

参考文章：http://redstonewill.com/1529/
1. 普通方阵的矩阵分解（EVD）
我们知道如果一个矩阵 A 是方阵，即行列维度相同（mxm），一般来说可以对 A 进行特征分解：

其中，U 的列向量是 A 的特征向量，Λ 是对角矩阵，Λ对角元素是对应特征向量的特征值。

举个简单的例子，例如方阵 A 为：

那么对其进行特征分解，相应的 Python 代码为：

import numpy as np
A=np.array([[2,2],[1,2]])
lamda,U=np.linalg.eig(A)
print('方阵A： ',A)
print('特征值 lamda: ',lamda)
print('特征向量U： ',U)

运行输出：方阵A：  [[2 2]
 [1 2]]
特征值 lamda:  [3.41421356 0.58578644]
特征向量U：  [[ 0.81649658 -0.81649658]
 [ 0.57735027  0.57735027]]

特征分解就是把 A 拆分，如下所示：

其中，
特征值 λ1=3.41421356，对应的特征向量 u1=[0.81649658 0.57735027]；
特征值 λ2=0.58578644，对应的特征向量 u2=[-0.81649658 0.57735027]，
特征向量均为列向量。

值得注意的是，特征向量都是单位矩阵，相互之间是线性无关的，但是并不正交。得出的结论是*对于任意方阵，不同特征值对应的特征向量必然线性无关，但是不一定正交。

2.对称矩阵的矩阵分解（EVD）
如果方阵 A 是对称矩阵，例如：

对称矩阵特征分解满足以下公式：

那么对其进行特征分解，相应的 Python 代码为：`

import numpy as np
A=np.array([[2,1],[1,1]])
lamda,U=np.linalg.eig(A)
print('方阵A： ',A)
print('特征值 lamda: ',lamda)
print('特征向量U： ',U)

运行输出：方阵A：  [[2 1]
 [1 1]]
特征值 lamda:  [2.61803399 0.38196601]
特征向量U：  [[ 0.85065081 -0.52573111]
 [ 0.52573111  0.85065081]]

特征分解就是把 A 拆分，如下所示：

其中，
特征值 λ1=2.61803399，对应的特征向量 u1=[0.85065081 0.52573111]；
特征值 λ2=0.38196601，对应的特征向量 u2=[-0.52573111 0.85065081]，
特征向量均为列向量。

注意，我们发现对阵矩阵的分解和非对称矩阵的分解除了公式不同之外，特征向量也有不同的特性。对称矩阵的不同特征值对应的特征向量不仅线性无关，而且是相互正交的。
什么是正交呢？就是特征向量内积为零。验证如下：
0.85065081∗−0.52573111+0.52573111∗0.85065081=0
重点来了，对称矩阵 A 经过矩阵分解之后，可以写成以下形式：

对上式进行验证：

3. 奇异值分解（SVD）
我们发现，在矩阵分解里的 A 是方阵或者是对称矩阵，行列维度都是相同的。但是实际应用中，很多矩阵都是非方阵、非对称的。那么如何对这类矩阵进行分解呢？因此，我们就引入了针对维度为 mxn 矩阵的分解方法，称之为奇异值分解（Singular Value Decomposition）。

假设矩阵 A 的维度为 mxn，虽然 A 不是方阵，但是下面的矩阵却是方阵，且维度分别为 mxm、nxn。

因此，我们就可以分别对上面的方阵进行分解：

其中，Λ1 和 Λ2 是对角矩阵，且对角线上非零元素均相同，即两个方阵具有相同的非零特征值，特征值令为 σ1, σ2, … , σk。值得注意的是，k<=m 且 k<=n。

根据 σ1, σ2, … , σk 就可以得到矩阵 A 的特征值为：

接下来，我们就能够得到奇异值分解的公式：

其中，P 称为左奇异矩阵，维度是 mxm，Q 称为右奇异矩阵，维度是 nxn。Λ 并不是方阵，其维度为 mxn，Λ 对角线上的非零元素就是 A 的特征值 λ1, λ2, … , λk。图形化表示奇异值分解如下图所示：

举个简单的例子来说明，令 A 为 3×2 的矩阵：

则有：

计算得到特征向量 P 和对应的特征值 σ 为：

然后，有：

计算得到特征向量 Q 和对应的特征值 σ 为：

则我们看可以得到 A 的特征值为：

最后，整合矩阵相乘结果，满足奇异值分解公式。

奇异值分解可以写成以下和的形式：

其中，p1 和 q1 分别为左奇异矩阵和右奇异矩阵的特征向量。

奇异性分解可以将一个矩阵分解成3个矩阵、、，其中U、VT都是单式矩阵（unitary matrix），Σ是一个对角矩阵，也就是说只有对角线有值。对角元素称为奇异值，它们对应了原始矩阵Data的奇异值，如下：

[[2 0 0]
[0 3 0]
[0 0 4]
[0 0 0]]

一般来说，我们只需保留矩阵中90%的能量信息即可。
如何确定保留多少个奇异值个数可以包含原矩阵大部分信息，通常情况下，我们将所有的奇异值求其平方和，将奇异值的平方和累加到总值的90%为止。

变为

实现降维的效果