2025年机器学习-SVD奇异值分解推导与降维原理

机器学习-SVD奇异值分解推导与降维原理下方图片均是从个人 onenote 端截图而来 还有一部分自己的注释帮助理解 有些截图是以前百度到觉得不错的 收集起来了 但是具体出处我也忘了 如果有人发现哪张图我应该声明出处 还请 我 多谢 一 基础概念 1 原矩阵被分割成左奇异向量矩阵 奇异值矩阵 右奇异向量矩阵 2 奇异值 ATA 的非负特征值的算术平方根 A 是原始矩阵 m n AT 是 A 的转置 3

大家好,我是讯享网,很高兴认识大家。

下方图片均是从个人onenote端截图而来,还有一部分自己的注释帮助理解。有些截图是以前百度到觉得不错的,收集起来了,但是具体出处我也忘了,如果有人发现哪张图我应该声明出处,还请@我,多谢。

一. 基础概念

1. 原矩阵被分割成左奇异向量矩阵*奇异值矩阵*右奇异向量矩阵;

2. 奇异值:ATA的非负特征值的算术平方根(A是原始矩阵m*n,AT是A的转置)

3. 奇异向量求解:

(1)矩阵A左乘转置AT,会得到一个n*n方阵,通过这个方阵求特征值和特征向量,这里的特征向量就是A的右奇异向量。

(2)矩阵A右乘AT,得到一个m*m方阵,求得特征向量,就是A的左奇异向量。

二、完整推导过程

1. 对任意M*N的矩阵,找到一组正交基使得经过A变换以后还是正交基。

        在n维空间里找到一组正交基,经过矩阵A的变换之后还是正交的。假设已经找到一组这样的正交基,如下图:

小讯
上一篇 2025-01-19 08:22
下一篇 2025-03-14 14:36

相关推荐

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容,请联系我们,一经查实,本站将立刻删除。
如需转载请保留出处:https://51itzy.com/kjqy/75329.html