奇异值分解(SVD)的之低秩近似和特征降维
2016-03-12 19:54
633 查看
http://www.linuxidc.com/Linux/2014-06/103495.htm
我们在这一篇《模式识别、推荐系统中常用的两种矩阵分解-----奇异值分解和非负矩阵分解 》中详细介绍了矩阵奇异值分解的数学证明,我们沿用这一篇的博文的符号,继续讨论这一章的内容。
矩阵的奇异值分解定理:
设矩阵
,秩为
,
,则该矩阵可以分解为:
也可以表示为:
。
其中:
为矩阵
(或者
)的非零向量,
为
的对应特征向量,
为
的对应特征向量,
。
SVD的第一个作用之低秩近似(Low Rank Approximation):
,
,
即用矩阵
近似
。
SVD的第二个作用之特征降维(Dimensionality Reduction):
假设特征是按列存储的,即:
,
其中
,
。
我们在低秩近似中已经用
近似表示
了。
则根据分块矩阵的乘法,我们很容易得到:
,
。
令:
。
因为
,是相互正交的,所以根据
,
显然可以得出
,可以近似由
,张成,所以我们得出结论:
m维的
,可以降到
维的
,
。
我们在这一篇《模式识别、推荐系统中常用的两种矩阵分解-----奇异值分解和非负矩阵分解 》中详细介绍了矩阵奇异值分解的数学证明,我们沿用这一篇的博文的符号,继续讨论这一章的内容。
矩阵的奇异值分解定理:
设矩阵
,秩为
,
,则该矩阵可以分解为:
也可以表示为:
。
其中:
为矩阵
(或者
)的非零向量,
为
的对应特征向量,
为
的对应特征向量,
。
SVD的第一个作用之低秩近似(Low Rank Approximation):
,
,
即用矩阵
近似
。
SVD的第二个作用之特征降维(Dimensionality Reduction):
假设特征是按列存储的,即:
,
其中
,
。
我们在低秩近似中已经用
近似表示
了。
则根据分块矩阵的乘法,我们很容易得到:
,
。
令:
。
因为
,是相互正交的,所以根据
,
显然可以得出
,可以近似由
,张成,所以我们得出结论:
m维的
,可以降到
维的
,
。
相关文章推荐
- 用python爬取游戏图片
- SQL Server总结(2):对数据库访问
- 【ASP.net】Equals 和 == 的区别
- LINUX内核分析第三周学习总结——构造一个简单的Linux系统MenuOS
- OC字符串排序
- 第二周项目三输出图案(a)
- python tuple整理
- 四则运算2单元测试
- CSS——relative
- event 事件捕捉
- rmq模板
- android 左上角返回上一级的实现
- img的src更改失败原因:JS文件放在了头部引入
- [c++]C++学习笔记001.cout/cin
- cocos2dx_3.X项目重新写(一)帧动画的改变
- Java NIO Channel
- Linux学习计划
- java selenium (六) XPath 定位
- 多线程与runloop
- BZOJ1475方格取数