目录
特征值分解
特征值
λ
:表示特征的重要程度
特征向量
v⃗
:表示特征,可以看作线性子空间
目的
提取一个矩阵的最重要的特征
局限
变换的矩阵必须是方阵
奇异值分解
有明显的物理意义
可以克服特征值分解对方阵的要求
原理
将一个比较复杂的矩阵,用更小更简单的几个子矩阵相乘来表示,这些子矩阵描述矩阵的重要特性。
A=UΣVT
A: m×n ,矩阵
U: m×m ,左奇异向量
Σ : m×n ,对角线为奇异值,其他全0,对角线上的奇异值从大到小排列;前10%甚至1%的奇异值的和占全部奇异值和的99%以上
VT : n×n ,右奇异向量
计算方法:
(ATA)vi=λivi
ATA :构成方阵
λi :方阵的特征值
vi :方阵的右奇异向量
奇异值:
σi=λ√i
左奇异向量:
ui=1σiAvi
使用原因
1.很多基础问题都是NP-hard的,找一个比较好的近似算法要费很大精力
2.SVD理论上只有唯一解,算法速度相对快,且有大量理论结果及周边性质支持
3.表达式对二次的目标函数兼容性好
4.数学基础要求相对低