奇异值分解(Singular Value Decomposition,以下简称SVD)是在机器学习领域广泛应用的算法,它不光可以用于降维算法中的特征分解,还可以用于推荐系统,以及自然语言处理等领域。是很多机器学习算法的基石。本文就对SVD的原理做一个总结,并讨论在在PCA降维算法中是如何运用运用SVD的。
1. 回顾特征值和特征向量
我们首先回顾下特征值和特征向量的定义如下:
A
x
=
λ
x
A x=\lambda x
Ax=λx
其中A是一个
n
×
n
n \times n
n×n 的实对称矩阵,
x
x
x 是一个
n
n
n 维向量,则我们说
λ
\lambda
λ 是矩阵A的一个特征值,而
x
x
x 是矩阵A的特征值
λ
\lambda
λ 所对应的特佂向量。
求出特佂值和特征向量有什么好处呢?
就是我们可以将矩阵A特征分解。如果我们求出了矩阵A的
n
n
n 个特征值
λ
1
≤
λ
2
≤
…
≤
λ
n
\lambda_{1} \leq \lambda_{2} \leq \ldots \leq \lambda_{n}
λ1≤λ2≤…≤λn, 以及这
n
n
n 个特征值所 对应的特征向量
{
w
1
,
w
2
,
…
w
n
}
\left\{w_{1}, w_{2}, \ldots w_{n}\right\}
{w1,w2,…wn} ,,如果这
n
n
n 个特征向量线性无关,那么矩阵A就可以用下式的特征分解表示:浅紫色文字
A
=
W
Σ
W
−
1
A=W \Sigma W^{-1}
A=WΣW−1
其中W是这
n
n
n 个特佂向量所张成的
n
×
n
n \times n
n×n 维矩阵,而
Σ
\Sigma
Σ 为这
n
n
n 个特佂值为主对角线的
n
×
n
n \times n
n×n 维矩阵。
一般我们会把W的这 n n n 个特佂向量标准化,即满足 ∥ w i ∥ 2 = 1 \left\|w_{i}\right\|_{2}=1 ∥wi∥2=1 ,或者说 w i T w i = 1 w_{i}^{T} w_{i}=1 wiTwi=1 ,此时 W W W 的 n n n 个特征向量为标准正交基,满足 W T W = I W^{T} W=I WTW=I ,即 W T = W − 1 W^{T}=W^{-1} WT=W−1 , 也就是说 W为酉矩阵(方阵)。
这样我们的特征分解表达式可以写成
A
=
W
Σ
W
T
A=W \Sigma W^{T}
A=WΣWT
注意到要进行特佂分解,矩阵A必须为方阵。那/如果A不是方阵,即行和列不相同时,我们还可以对矩阵进行分解吗? 答案是可以,此时我们的SVD登场了。
2. SVD的定义
SVD也是对矩阵进行分解,但是和特征分解不同,SVD并不要求要分解的矩阵为方阵。假设我们的矩阵A是一个m
×
n
\times n
×n 的矩阵,那么我们定义矩阵A的SVD为:
A
=
U
Σ
V
T
A=U \Sigma V^{T}
A=UΣVT
其中 U是一个
m
×
m
m \times m
m×m 的矩阵,
Σ
\Sigma
Σ 是一个
m
×
n
m \times n
m×n 的矩阵,除了主对角线上的元素以外全为 0 , 主对角线上的每个元素都称为奇异值,
V
\mathrm{V}
V 是一个
n
×
n
n \times n
n×n 的矩阵。U和V都是酉矩阵,即满足
U
T
U
=
I
,
V
T
V
=
I
U^{T} U=I, V^{T} V=I
UTU=I,VTV=I 。下图可以很形象的看出上面SVD的定义:
那么我如何求出SVD分解后的
U
,
Σ
,
V
U, \Sigma, V
U,Σ,V 这三个矩阵呢?
如果找们将A的转置和A做矩阵乘法,那么会得到 n × n n \times n n×n 的一个方阵 A T A A^{T}A ATA 。既然 A T A A^{T}A ATA 是方阵,那么我们就可以进行特佂分解,得到的特佂值和特征向量满足下式:
(
A
T
A
)
v
i
=
λ
i
v
i
\left(A^{T} A\right) v_{i}=\lambda_{i} v_{i}
(ATA)vi=λivi
这样找们就可以得到矩阵
A
T
A
A^{T} A
ATA 的
n
\mathrm{n}
n 个特征值
λ
\lambda
λ和对应的
n
\mathrm{n}
n 个特征向量
v
v
v 。
将 A T A A^{T} A ATA 的所有特征向量张成一个 n × n n \times n n×n 的矩阵 V V V ,就 是 我 们 SVD 公 式 里 面 的 V V V 矩阵了。一般我们将 V \mathrm{V} V 中的每个特征向量叫做A的右奇异向量。
如果找们将A和A的转置做矩阵乘法,那么会得到
m
×
m
m \times m
m×m 的一个方阵
A
A
T
A A^{T}
AAT 。既然
A
A
T
A A^{T}
AAT 是方阵,那么我们就可以进行特佂分解,得到的特佂值和特征向量满足下式:
(
A
A
T
)
u
i
=
λ
i
u
i
\left(A A^{T}\right) u_{i}=\lambda_{i} u_{i}
(AAT)ui=λiui
这样找们就可以得到矩阵
A
A
T
A A^{T}
AAT 的
m
\mathrm{m}
m 个特征值和对应的
m
\mathrm{m}
m 个特佂向量
u
u
u 了。将
A
A
T
A A^{T}
AAT 的所有特征向量张成一个
m
×
m
m \times m
m×m 的矩阵
U
\mathrm{U}
U ,就是我们SVD公式里面的 U矩阵了。一般我们将U中的每个特征向量叫做A的左奇异向量。
U U U和 V V V我们都求出来了 ,现在就剩下奇异矩阵 Σ \Sigma Σ没有求出来了。由于 Σ \Sigma Σ除了对角线上是奇异值其他位置都是0,那我们只需要求出每个奇异值σ就可以了。
我们注竟到:
A
=
U
Σ
V
T
⇒
A
V
=
U
Σ
V
T
V
⇒
A
V
=
U
Σ
⇒
A
v
i
=
σ
i
u
i
⇒
σ
i
=
A
v
i
/
u
i
A=U \Sigma V^{T} \Rightarrow A V=U \Sigma V^{T} V \Rightarrow A V=U \Sigma \Rightarrow A v_{i}=\sigma_{i} u_{i} \Rightarrow \sigma_{i}=A v_{i} / u_{i}
A=UΣVT⇒AV=UΣVTV⇒AV=UΣ⇒Avi=σiui⇒σi=Avi/ui
这样我们可以求出我们的每个奇异值,进而求出奇异值矩阵
Σ
\Sigma
Σ 。
上面还有一个问题没有讲,就是我们说
A
T
A
A^{T} A
ATA 的特征向量组成的就是我们SVD中的
V
\mathrm{V}
V 矩阵,而
A
A
T
A A^{T}
AAT 的特征向量组成的就是我们SVD中的
U
U
U矩阵,这有什么 根据吗? 这个其实很容易证明,我们以V矩阵的证明为例。
A
=
U
Σ
V
T
⇒
A
T
=
V
Σ
T
U
T
⇒
A
T
A
=
V
Σ
T
U
T
U
Σ
V
T
=
V
Σ
2
V
T
A=U \Sigma V^{T} \Rightarrow A^{T}=V \Sigma^{T} U^{T} \Rightarrow A^{T} A=V \Sigma^{T} U^{T} U \Sigma V^{T}=V \Sigma^{2} V^{T}
A=UΣVT⇒AT=VΣTUT⇒ATA=VΣTUTUΣVT=VΣ2VT
上式证明使用了:
U
T
U
=
I
,
Σ
T
Σ
=
Σ
2
U^{T} U=I, \Sigma^{T} \Sigma=\Sigma^{2}
UTU=I,ΣTΣ=Σ2 。可以看出
A
T
A
A^{T} A
ATA 的特征向量组成的的确就是我们SVD中的V知阵。类似的方法可以得到
A
A
T
A A^{T}
AAT 的特征向量组成 的就是我们SVD中的U矩阵。
进一步我们还可以看出我们的特征值矩阵等于奇异值矩阵的平方,也就是说特征值和奇异值满足如下关系:
σ
i
=
λ
i
\sigma_{i}=\sqrt{\lambda_{i}}
σi=λi
这样也就是说,我们可以不用
σ
i
=
A
v
i
/
u
i
\sigma_{i}=A v_{i} / u_{i}
σi=Avi/ui 来计算奇异值,也可以通过求出
A
T
A
A^{T} A
ATA 的特征值取平方根来求奇异值。
3. SVD计算举例
这里我们用一个简单的例子来说明矩阵是如何进行奇异值分解的。我们的矩阵A定义为:
A
=
(
0
1
1
1
1
0
)
\mathbf{A}=\left(\begin{array}{ll} 0 & 1 \\ 1 & 1 \\ 1 & 0 \end{array}\right)
A=⎝⎛011110⎠⎞
我们首先求出
A
T
A
A^{T} A
ATA 和
A
A
T
A A^{T}
AAT
A
T
A
=
(
0
1
1
1
1
0
)
(
0
1
1
1
1
0
)
=
(
2
1
1
2
)
A
A
T
=
(
0
1
1
1
1
0
)
(
0
1
1
1
1
0
)
=
(
1
1
0
1
2
1
0
1
1
)
\begin{aligned} \mathbf{A}^{\mathbf{T}} \mathbf{A} &=\left(\begin{array}{lll} 0 & 1 & 1 \\ 1 & 1 & 0 \end{array}\right)\left(\begin{array}{ll} 0 & 1 \\ 1 & 1 \\ 1 & 0 \end{array}\right)=\left(\begin{array}{ll} 2 & 1 \\ 1 & 2 \end{array}\right) \\ \mathbf{A} \mathbf{A}^{\mathbf{T}} &=\left(\begin{array}{ll} 0 & 1 \\ 1 & 1 \\ 1 & 0 \end{array}\right)\left(\begin{array}{lll} 0 & 1 & 1 \\ 1 & 1 & 0 \end{array}\right)=\left(\begin{array}{lll} 1 & 1 & 0 \\ 1 & 2 & 1 \\ 0 & 1 & 1 \end{array}\right) \end{aligned}
ATAAAT=(011110)⎝⎛011110⎠⎞=(2112)=⎝⎛011110⎠⎞(011110)=⎝⎛110121011⎠⎞
进而求出
A
T
A
A^{T} A
ATA 的特征值和特征向量:
λ
1
=
3
;
v
1
=
(
1
/
2
1
/
2
)
;
λ
2
=
1
;
v
2
=
(
−
1
/
2
1
/
2
)
\lambda_{1}=3 ; v_{1}=\left(\begin{array}{c} 1 / \sqrt{2} \\ 1 / \sqrt{2} \end{array}\right) ; \lambda_{2}=1 ; v_{2}=\left(\begin{array}{c} -1 / \sqrt{2} \\ 1 / \sqrt{2} \end{array}\right)
λ1=3;v1=(1/21/2);λ2=1;v2=(−1/21/2)
接着求
A
A
T
A A^{T}
AAT 的特征值和特征向量:
λ
1
=
3
;
u
1
=
(
1
/
6
2
/
6
1
/
6
)
;
λ
2
=
1
;
u
2
=
(
1
/
2
0
−
1
/
2
)
;
λ
3
=
0
;
u
3
=
(
1
/
3
−
1
/
3
1
/
3
)
\lambda_{1}=3 ; u_{1}=\left(\begin{array}{c} 1 / \sqrt{6} \\ 2 / \sqrt{6} \\ 1 / \sqrt{6} \end{array}\right) ; \lambda_{2}=1 ; u_{2}=\left(\begin{array}{c} 1 / \sqrt{2} \\ 0 \\ -1 / \sqrt{2} \end{array}\right) ; \lambda_{3}=0 ; u_{3}=\left(\begin{array}{c} 1 / \sqrt{3} \\ -1 / \sqrt{3} \\ 1 / \sqrt{3} \end{array}\right)
λ1=3;u1=⎝⎛1/62/61/6⎠⎞;λ2=1;u2=⎝⎛1/20−1/2⎠⎞;λ3=0;u3=⎝⎛1/3−1/31/3⎠⎞
利用
A
v
i
=
σ
i
u
i
,
i
=
1
,
2
A v_{i}=\sigma_{i} u_{i}, i=1,2
Avi=σiui,i=1,2 求奇异值:
(
0
1
1
1
1
0
)
(
1
/
2
1
/
2
)
=
σ
1
(
1
/
6
2
/
6
1
/
6
)
⇒
σ
1
=
3
(
0
1
1
1
1
0
)
(
−
1
/
2
1
/
2
)
=
σ
2
(
1
/
2
0
−
1
/
2
)
⇒
σ
2
=
1
\begin{aligned} &\left(\begin{array}{ll} 0 & 1 \\ 1 & 1 \\ 1 & 0 \end{array}\right)\left(\begin{array}{l} 1 / \sqrt{2} \\ 1 / \sqrt{2} \end{array}\right)=\sigma_{1}\left(\begin{array}{c} 1 / \sqrt{6} \\ 2 / \sqrt{6} \\ 1 / \sqrt{6} \end{array}\right) \Rightarrow \sigma_{1}=\sqrt{3} \\ &\left(\begin{array}{ll} 0 & 1 \\ 1 & 1 \\ 1 & 0 \end{array}\right)\left(\begin{array}{c} -1 / \sqrt{2} \\ 1 / \sqrt{2} \end{array}\right)=\sigma_{2}\left(\begin{array}{c} 1 / \sqrt{2} \\ 0 \\ -1 / \sqrt{2} \end{array}\right) \Rightarrow \sigma_{2}=1 \end{aligned}
⎝⎛011110⎠⎞(1/21/2)=σ1⎝⎛1/62/61/6⎠⎞⇒σ1=3⎝⎛011110⎠⎞(−1/21/2)=σ2⎝⎛1/20−1/2⎠⎞⇒σ2=1
最终得到
A
\mathrm{A}
A 的奇异值分解为:
A
=
U
Σ
V
T
=
(
1
/
6
1
/
2
1
/
3
2
/
6
0
−
1
/
3
1
/
6
−
1
/
2
1
/
3
)
(
3
0
0
1
0
0
)
(
1
/
2
1
/
2
−
1
/
2
1
/
2
)
A=U \Sigma V^{T}=\left(\begin{array}{ccc} 1 / \sqrt{6} & 1 / \sqrt{2} & 1 / \sqrt{3} \\ 2 / \sqrt{6} & 0 & -1 / \sqrt{3} \\ 1 / \sqrt{6} & -1 / \sqrt{2} & 1 / \sqrt{3} \end{array}\right)\left(\begin{array}{cc} \sqrt{3} & 0 \\ 0 & 1 \\ 0 & 0 \end{array}\right)\left(\begin{array}{cc} 1 / \sqrt{2} & 1 / \sqrt{2} \\ -1 / \sqrt{2} & 1 / \sqrt{2} \end{array}\right)
A=UΣVT=⎝⎛1/62/61/61/20−1/21/3−1/31/3⎠⎞⎝⎛300010⎠⎞(1/2−1/21/21/2)
4. SVD的一些性质
上面几节我们对SVD的定义和计算做了详细的描述,似乎看不出我们费这么大的力气做SVD有什么好处。那么SVD有什么重要的性质值得我们注意呢?
对于奇异值,它跟我们特征分解中的特征值类似,在奇异值矩阵中也是按照从大到小排列,而且奇异值的下降特别的快,在很多情况下,前10%甚至1%的奇异值的和就占了全部的奇异值之和的99%以上的比例。也就是说,我们也可以用最大前的k个的奇异值和对应的左右奇异向量来近似描述矩阵。也就是说:
A
m
×
n
=
U
m
×
m
Σ
m
×
n
V
n
×
n
T
≈
U
m
×
k
Σ
k
×
k
V
k
×
n
T
A_{m \times n}=U_{m \times m} \Sigma_{m \times n} V_{n \times n}^{T} \approx U_{m \times k} \Sigma_{k \times k} V_{k \times n}^{T}
Am×n=Um×mΣm×nVn×nT≈Um×kΣk×kVk×nT
其中k要比n小很多,也就是一个大的矩阵A可以用三个小的矩阵
U
m
×
k
,
Σ
k
×
k
,
V
k
×
n
T
U_{m \times k,} \Sigma_{k \times k}, V_{k \times n}^{T}
Um×k,Σk×k,Vk×nT来表示。如下图所示,现在我们的矩阵A只需要灰色的部分的三个小矩阵就可以近似描述了。
由于这个重要的性质,SVD可以用于PCA降维,来做数据压缩和去噪。也可以用于推荐算法,将用户和喜好对应的矩阵做特征分解,进而得到隐含的用户需求来做推荐。同时也可以用于NLP中的算法,比如潜在语义索引(LSI)。下面我们就对SVD用于PCA降维做一个介绍。
5. SVD用于PCA
在主成分分析 (PCA) 原理总结中,我们讲到要用PCA降维,需要找到样本协方差矩阵 X T X X^{T} X XTX 的最大的 d \mathrm{d} d 个特征向量,然后用这最大的 d \mathrm{d} d 个特征向量张成 的矩阵来做低维投影降维。可以看出,在这个过程中需要先求出协方差矩阵 X T X X^{T} X XTX ,当样本数多样本特征数也多的时候,这个计算量是很大的。
注意到我们的SVD也可以得到协方差矩阵 X T X X^{T} X XTX最大的d个特征向量张成的矩阵,但是SVD有个好处,有一些SVD的实现算法可以不求先求出协方差矩阵 X T X X^{T} X XTX,也能求出我们的右奇异矩阵 V V V。也就是说,我们的PCA算法可以不用做特征分解,而是做SVD来完成。这个方法在样本量很大的时候很有效。实际上,scikit-learn的PCA算法的背后真正的实现就是用的SVD,而不是我们我们认为的暴力特征分解。
另一方面,注意到PCA仅仅使用了我们SVD的右奇异矩阵,没有使用左奇异矩阵,那么左奇异矩阵有什么用呢?
假设我们的样本是
m
×
n
m \times n
m×n 的矩阵X,如果我们通过SVD找到了矩阵
X
X
T
X X^{T}
XXT 最大的
d
\mathrm{d}
d 个特征向量张成的
m
×
d
m \times d
m×d 维矩阵U,则我们如果进行如下处理:
X
d
×
n
′
=
U
d
×
m
T
X
m
×
n
X_{d \times n}^{\prime}=U_{d \times m}^{T} X_{m \times n}
Xd×n′=Ud×mTXm×n
可以得到一个 d × n d×n d×n的矩阵X‘,这个矩阵和我们原来的 m × n m×n m×n维样本矩阵X相比,行数从m减到了d,可见对行数进行了压缩。也就是说,左奇异矩阵可以用于行数的压缩。相对的,右奇异矩阵可以用于列数即特征维度的压缩,也就是我们的PCA降维。
6. SVD小结
SVD作为一个很基本的算法,在很多机器学习算法中都有它的身影,特别是在现在的大数据时代,由于SVD可以实现并行化,因此更是大展身手。SVD的原理不难,只要有基本的线性代数知识就可以理解,实现也很简单因此值得仔细的研究。当然,SVD的缺点是分解出的矩阵解释性往往不强,有点黑盒子的味道,不过这不影响它的使用。