svd文章分类 c语言,【机器学习篇】--SVD从初始到应用

SVD一般应用场景--推荐系统，图像压缩。

1、直观感受。

SVD其实就是将矩阵分界，直观感受如图。就是将A矩阵分界成U，S，V三个矩阵相乘。一般推荐系统中用的多。S是对角阵，里面的特征值是从大到小排列的。

2、前述知识。

一个矩阵乘以一个向量结果还是一个向量，并且等于原始向量的

倍，相当于对原始向量进行一个某个方向上的拉伸。

3、矩阵压缩

图1

图2

对图1，图2来说，假设m表示是样本个数，n表示特征个数，则抽取S特征中比较重要的特征值，(因为特征值是从大到小排列的，所以假如抽取前几个特征值作为保留的特征值)，则S维度减少，变成r*r,则原始m*n矩阵分解成U ---m*r(比较瘦)，S--r*r(方阵)，V--r*n(比较长)三个矩阵相乘。

4、原理剖析

抓住主要变换方向，所以保留特征值比较大的方向。

5、实例讲解一

SVD可解释性比较差，需要去猜。

6、实例讲解二(推荐系统)

U ：6*2(6代表是Item个数)

V：4*2(4代表是用户个数)

S：取前两个比较重要的值

映射到二维图中：找出最相似的用户。