AI智能
改变未来

AI数学基础之:奇异值和奇异值分解

目录

  • 简介
  • 相似矩阵
  • 对角矩阵
  • 可对角化矩阵
  • 特征值
  • 特征分解
  • 特征值的几何意义
  • 奇异值 Singular value
  • 奇异值分解SVD

简介

奇异值是矩阵中的一个非常重要的概念,一般是通过奇异值分解的方法来得到的,奇异值分解是线性代数和矩阵论中一种重要的矩阵分解法,在统计学和信号处理中非常的重要。

在了解奇异值之前,让我们先来看看特征值的概念。

相似矩阵

在线性代数中,相似矩阵是指存在相似关系的矩阵。设A,B为n阶矩阵,如果有n阶可逆矩阵P存在,使得P-1AP=B,则称矩阵A与B相似,记为A~B。

对角矩阵

对角矩阵(diagonal matrix)是一个主对角线之外的元素皆为0的矩阵,常写为diag(a1,a2,…,an) 。对角矩阵可以认为是矩阵中最简单的一种,值得一提的是:对角线上的元素可以为 0 或其他值,对角线上元素相等的对角矩阵称为数量矩阵;对角线上元素全为1的对角矩阵称为单位矩阵。对角矩阵的运算包括和、差运算、数乘运算、同阶对角阵的乘积运算,且结果仍为对角阵。

可对角化矩阵

可对角化矩阵是线性代数和矩阵论中重要的一类矩阵。如果一个方块矩阵 A 相似于对角矩阵,也就是说,如果存在一个可逆矩阵 P 使得 P −1AP 是对角矩阵,则它就被称为可对角化的。

特征值

设A为n阶矩阵,若存在常数λ及n维非零向量x,使得Ax=λx,则称λ是矩阵A的特征值,x是A属于特征值λ的特征向量。

一个矩阵的一组特征向量是一组正交向量。

即特征向量被施以线性变换 A 只会使向量伸长或缩短而其方向不被改变。

一个线性变换通常可以由其特征值和特征向量完全描述。特征空间是相同特征值的特征向量的集合。

特征分解

特征分解(Eigendecomposition),又称谱分解(Spectral decomposition)是将矩阵分解为由其特征值和特征向量表示的矩阵之积的方法。需要注意只有对可对角化矩阵才可以施以特征分解。

A 是一个 N×N 的方阵,且有 N 个线性无关的特征向量 qi(i=1,…,N)。这样, A 可以被分解为: A= QΛQ-1

其中 Q 是N×N方阵,且其第 i列为 A 的特征向量 。如果A的所有特征向量用x1,x2 … xm来表示的话,那么Q可以表示为:\\(\\left[x_1,x_2,…,x_m\\right]\\), 其中x是n维非零向量。

Λ 是对角矩阵,其对角线上的元素为对应的特征值,也即Λii=λi。 也就是\\(\\left[\\begin{matrix}λ_1 … 0\\\\… … …\\\\0 … λ_mad8\\end{matrix}\\right]\\)

这里需要注意只有可对角化矩阵才可以作特征分解。比如 \\(\\left[\\begin{matrix}11\\\\01 \\end{matrix}\\right]\\)不能被对角化,也就不能特征分解。

因为 A= QΛQ-1 ,可以看做A被分解为三个矩阵,也就是三个映射。

假如现在有一个向量x,我们可以得出下面的结论:

\\(Ax=QΛQ^{-1}x\\)

Q是正交矩阵,正交阵的逆矩阵等于其转置,所以\\(Q^{-1}\\) = \\(Q^T\\). \\(Q^T\\)对x的变换是正交变换,它将x用新的坐标系来表示,这个坐标系就是A的所有正交的特征向量构成的坐标系。比如将x用A的所有特征向量表示为:

\\(x=a_1x_1+a_2x_2+…+a_mx_m\\)

则通过第一个变换就可以把x表示为\\([a_1 a_2 … a_m]^T\\)。

\\(QΛQ^{-1}x=QΛ\\left[\\begin{matrix}x_1^T\\\\x_2^T\\\\…\\\\…\\\\x_m^T \\end{matrix}\\right](a_1x_1+a_2x_2+a_3x_3+…+a_mx_m)=QΛ\\left[\\begin{matrix}a_1\\\\a_2\\\\…\\\\a_m \\end{matrix}\\right]\\)

然后,在新的坐标系表示下,由中间那个对角矩阵对新的向量坐标换,其结果就是将向量往各个轴方向拉伸或压缩:

\\(QΛ\\left[\\begin{matrix}a_1\\\\a_2\\\\…\\\\a_m \\end{matrix}\\right]=Q\\left[\\begin{matrix}λ_1 … 0\\\\… … …\\\\0 … λ_m \\end{matrix}\\right]\\left[\\begin{matrix}a_1\\\\a_2\\\\…\\\\a_m \\end{matrix}\\right]=Q\\left[\\begin{matrix}λ_1a_1\\\\λ_2a_2\\\\…\\\\λ_ma_m \\end{matrix}\\right]\\)

​ 如果A不是满秩的话,那么就是说对角阵的对角线上元素存在0,这时候就会导致维度退化,这样就会使映射后的向量落入m维空间的子空间中。

最后一个变换就是Q对拉伸或压缩后的向量做变换,由于Q和\\(Q^{-1}\\)是互为逆矩阵,所以Q变换是\\(Q^{-1}\\)变换的逆变换。

特征值的几何意义

一个矩阵乘以一个列向量相当于矩阵的列向量的线性组合。一个行向量乘以矩阵,相当于矩阵的行向量的线性组合。

所以向量乘以矩阵之后,相当于将这个向量进行了几何变换。

之前讲了 Λ 是对角矩阵,其对角线上的元素为对应的特征值,也即Λii=λi。 也就是\\(\\left[\\begin{matrix}λ_1 … 0\\\\… … …\\\\0 … λ_1715m \\end{matrix}\\right]\\)

这些特征值表示的是对向量做线性变换时候,各个变换方向的变换幅度。

奇异值 Singular value

假如A是m * n阶矩阵,q=min(m,n),A*A的q个非负特征值的算术平方根叫作A的奇异值。

奇异值分解SVD

特征值分解可以方便的提取矩阵的特征,但是前提是这个矩阵是一个方阵。如果是非方阵的情况下,就需要用到奇异值分解了。先看下奇异值分解的定义:

\\(A=UΣV^T\\)

其中A是目标要分解的m * n的矩阵,U是一个 n * n的方阵,Σ 是一个n * m 的矩阵,其非对角线上的元素都是0。\\(V^T\\)是V的转置,也是一个n * n的矩阵。

奇异值跟特征值类似,在矩阵Σ中也是从大到小排列,而且奇异值的减少特别的快,在很多情况下,前10%甚至1%的奇异值的和就占了全部的奇异值之和的99%以上了。也就是说,我们也可以用前r大的奇异值来近似描述矩阵。r是一个远小于m、n的数,这样就可以进行压缩矩阵。

通过奇异值分解,我们可以通过更加少量的数据来近似替代原矩阵。

本文已收录于 https://www.cnblogs.com/flydean/p/www.flydean.com

最通俗的解读,最深刻的干货,最简洁的教程,众多你不知道的小技巧等你来发现!

欢迎关注我的公众号:「程序那些事」,懂技术,更懂你!

赞(0) 打赏
未经允许不得转载:爱站程序员基地 » AI数学基础之:奇异值和奇异值分解