线性代数
文章平均质量分 68
线性代数
默_silence
记得一定要努力,不然往后余生,做饭是你,洗衣是你,做家务是你……是你是你还是你
展开
-
特征值分解
文章目录特征值和特征向量的几何意义数学语言描述特征值和特征向量特征值分解特征值分解的过程参考资料特征值和特征向量的几何意义矩阵和向量作乘法,向量会变成另一个方向或长度的新向量,主要会发生旋转、伸缩的变化如果矩阵乘以某些向量后,向量不发生旋转变换,只产生伸缩变换那么就说这些向量是矩阵的特征向量,伸缩的比例就是特征值数学语言描述特征值和特征向量如果 A 是 n 阶方阵,数 λ 和 n 维非零列向量 x 是 A 的对应于特征值的特征向量,有Ax=λxAx = λxAx=λx也可以写成:(A−λE原创 2021-03-23 18:51:54 · 21959 阅读 · 8 评论 -
对图片进行奇异值分解(SVD)
矩阵 AAA 为一个 m×nm×nm×n 的矩阵,对于矩阵 AAA 的 SVDSVDSVD 为:A=UΣVTA=UΣV^TA=UΣVTUUU 为 m×mm×mm×m,ΣΣΣ 为 m×nm×nm×n,VVV 为 n×nn×nn×nUUU 和 VVV 是正交矩阵,ΣΣΣ 是奇异值组成的对角矩阵Σ=diag(σ1,σ2,...,σp) st.原创 2021-11-24 22:01:33 · 2420 阅读 · 0 评论 -
协方差矩阵的特征向量指的是什么
对协方差矩阵的特征向量最直观的解释之一是:它总是指向数据方差最大的方向。更准确地说,第一特征向量是数据方差最大地方向,第二特征向量是与第一特征向量垂直方向上数据方差最大地方向,第三特征向量是与第一和第二特征向量垂直地方向上数据方差最大地方向,以此类推。下图是二维空间的一个例子:每个数据样本都是可以用坐标x、y表示的二维点。这些数据样本的协方差矩阵的特征向量是u和v。较长的u是第一特征向量,较短的v是第二特征向量。特征值的大小用箭头的长度表示。我们可以看到,第一个特征向量(从数据的平均值)指向欧几里转载 2020-06-13 13:45:42 · 4744 阅读 · 6 评论