学习笔记|奇异值分解
【摘要】 奇异值分解(Singular Value Decomposition,简称SVD)也是AI数学基础之线性代数——华为AI学习笔记4提到的重要的矩阵基础知识之一,是机器学习领域应用非常广泛的算法,在降维、推荐系统、自然语言处理等领域都有应用。1. 定义2. 分解那么如何进行奇异值分解呢?即,如果矩阵A对角的U、Σ和V。2.1. 求矩阵V正交矩阵V即为奇异值分解中的矩阵V,称为右奇异矩阵。2.2...
奇异值分解(Singular Value Decomposition,简称SVD)也是AI数学基础之线性代数——华为AI学习笔记4提到的重要的矩阵基础知识之一,是机器学习领域应用非常广泛的算法,在降维、推荐系统、自然语言处理等领域都有应用。
1. 定义
2. 分解
那么如何进行奇异值分解呢?即,如果矩阵A对角的U、Σ和V。
2.1. 求矩阵V
正交矩阵V即为奇异值分解中的矩阵V,称为右奇异矩阵。
2.2. 求矩阵U
即为奇异值分解中的矩阵U,称为左奇异矩阵。
2.3. 求矩阵Σ
假设
其中,Σ是待定矩阵。
那么
所以

一些文献,比如文献1在此基础上得出

所以

因为
当m=n或m<n时,同样能得到

此处不再赘述。
通常将Σ矩阵中的奇异值从大到小排列,从而使Σ矩阵具有唯一性。
参考文献
1.https://zhuanlan.zhihu.com/p/29846048
2.https://baike.baidu.com/item/%E5%A5%87%E5%BC%82%E5%80%BC%E5%88%86%E8%A7%A3/4968432?fr=aladdin
3.https://www.jianshu.com/p/a9cb28886e7e
【声明】本内容来自华为云开发者社区博主,不代表华为云及华为云开发者社区的观点和立场。转载时必须标注文章的来源(华为云社区)、文章链接、文章作者等基本信息,否则作者和本社区有权追究责任。如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱:
cloudbbs@huaweicloud.com
- 点赞
- 收藏
- 关注作者
评论(0)