python实现奇异值分解_奇异值分解原理及Python实例

2018.11.28 星期三 晴 biolearn

奇异值分解 SVD(Singular Value Decomposition)是一种重要的矩阵分解方法，可以看做是特征分解在任意矩阵上的推广，SVD是在机器学习领域广泛应用的算法。

特征值和特征向量

定义：设 A 是 n 阶矩阵，若数 λ 和 n 维非零向量 x 满足

那么，数 λ 称为方阵 A 的特征值，x 称为 A 的对应于特征值 λ 的特征向量

说明：特征向量 x 不等于0，特征值问题仅仅针对方阵；n 阶方阵 A 的特征值，就是使得齐次线性方程组 (A-λE)x = 0 有非零解的 λ 值，即满足方程 | A - λE| = 0 的 λ 都是方阵 A 的特征值

特征分解

对方阵 A 求取特征值和特征值对应的特征向量可以将方阵 A 进行特征分解为

证明：假设方阵 A 有 n 个线性无关的特征向量 v1, v2, v3, ... , vn，对应的特征值为 λ1, λ2, λ3, ... , λn，令 V = ( v1, v2, v3, ... , vn)

在进行特征分解时，一般将 V 的这 n 个特征向量标准化，即使得 V 中 n 个特征向量为标准正交基，满足

所以方阵 A 的特征分解公式为