特征值分解SVD

特征值分解：线代里的相似对角化，必须是方阵

奇异值分解：可以不是方阵

P(m*m维)为左奇异矩阵，Q（n*n维）为右奇异矩阵，∑对角矩阵（m*n维）

左奇异矩阵对矩阵进行行压缩，右奇异矩阵对矩阵进行列压缩。

奇异值分解的应用：降维和压缩

numpy.linalg.svd函数

函数：np.linalg.svd(a,full_matrices=1,compute_uv=1)。

参数：

• a是一个形如(M,N)矩阵
• full_matrices的取值是为0或者1，默认值为1，这时u的大小为(M,M)，v的大小为(N,N) 。否则u的大小为(M,K)，v的大小为(K,N) ，K=min(M,N)。
• compute_uv的取值是为0或者1，默认值为1，表示计算u,s,v。为0的时候只计算s。

返回值：

• 总共有三个返回值u,s,v
• u大小为(M,M)，s大小为(M,N)，v大小为(N,N)。
• A = u*s*v
• 其中s是对矩阵a的奇异值分解。s除了对角元素不为0，其他元素都为0，并且对角元素从大到小排列。s中有n个奇异值，一般排在后面的比较接近0，所以仅保留比较大的r个奇异值。