机器学习相关——svd分解 -凯发k8官方网

前面写了个简单的线性代数系列文章，目的就是让大家在接触svd分解前，先了解回忆一下线性代数的基本知识，有助于大家理解svd分解。不至于一下被大量的线性代数操作搞晕。这次终于开始正题——svd的介绍了。

所谓svd，就是要把矩阵进行如下转换：a = usv^t

the columns of u are the eigenvectors of the aa^t matrix and the columns of v are the eigenvectors of the a^ta matrix. v^t is the transpose of v and s is a diagonal matrix. by definition the nondiagonal elements of diagonal matrices are zero. the diagonal elements of s are a special kind of values of the original matrix. these are termed the singular values of a.

1 the frobenius norm

一个矩阵所有元素的平方和再开方称为这个矩阵的frobenius norm。特殊情况下，行矩阵的frobenius norm为该向量的长度

2 计算a转置 a*at at*a

 

3 计算s

　　在svd中，将aat的特征值从大到小排列，并开方，得到的就是奇异值。

　　比如上图中，特征值为40，10.因此奇异值为6.32,3.16。矩阵的奇异值有如下特性：

　　a 矩阵的奇异值乘积等于矩阵行列式的值 6.32*3.16 = 20 = |a|

　　b 矩阵a的 frobenius norm等于奇异值的平方和的开方

　　总结一下计算s的步骤：1 计算a^t 和a^ta；2 计算a^ta的特征值，排序并开方。

　　由此可以得到s，下面来看如何计算 u，v^t

4  计算v和v^t

　　利用a^ta的特征值来计算特征向量

 

　　既然刚才提到v就是特征向量的组合，那么

5 计算u

　　a = usv^t

　　av = usv^tv = us

　　avs^-1 = uss^-1

　　u = avs^-1

　　

　　

6 计算svd

可以看出，svd可以对矩阵进行分解重建。

7 降维的svd

　　如果我们只保留前k个最大的奇异值，前k列个u，前k行个v，相当于将数据中占比不大的噪音进行过滤，这样既可以有效地对数据进行泛化，又起到了降维减少运算量的目的。是不是很奇妙？

8 实际用途　

　我们实际的工作中，经常会用到这种降维方法。包括现在非常火的推荐问题，以及lsi问题都对svd有着广泛的应用。

　举个最常用的例子，在文本挖掘中：a就是 t (term) 行 d (document) 列的矩阵，每列是一篇文章，每行是一个单词，每个单元格的当前单词在当前文章里的出现次数。 u 是一个 t 行 r 列 的矩阵， v 是一个 r 行 d 列 的矩阵， s 是一个 r 行 r 列的对角矩阵。这里 r 的大小是 a的秩。那么u和v中分别是a的奇异向量，而s是a的奇异值。aa'的正交单位特征向量组成u，特征值组成s's，a'a的正交单位特征向量组成v，特征值（与aa'相同）组成ss'。

希望大家细细体会，多多交流，一起进步。

转载于:https://www.cnblogs.com/luchen927/archive/2012/01/19/2321934.html

总结

以上是凯发k8官方网为你收集整理的机器学习相关——svd分解的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得凯发k8官方网网站内容还不错，欢迎将凯发k8官方网推荐给好友。