特征值分解和奇异值分解

我就是我 2022-05-01 12:51 278阅读 0赞

## 特征值和特征向量： ##

特征向量：就是变换以后仍然保持相同方向的向量

一般来说，理解矩阵变换可以有两种方式，一种是矩阵的列看出变换后的基向量来表示：

第二种是脱离固定坐标系，以特征值和特征向量的方式来理解它：

## 求解特征值和特征向量 ##

1.  特征向量的代数上含义是：将矩阵乘法转换为数乘操作；
2.  特征向量的几何含义是：特征向量通过方阵A变换只进行伸缩，而保持特征向量的方向不变。

![A\\vec v = λ\\vec v][A_vec v _ _vec v]

其中 λ 可以由常数值转化为矩阵形式 ![\\begin\{vmatrix\} λ&0&0 \\\\ 0 & λ &0 \\\\ 0 & 0 &λ  \\end\{vmatrix\}\\\\][begin_vmatrix_ _0_0 _ 0 _ _ _0 _ 0 _ 0 _ _end_vmatrix] 所以式子变为： ![A\\begin\{vmatrix\} λ&0&0 \\\\ 0 & λ &0 \\\\ 0 & 0 &λ  \\end\{vmatrix\}\\ \\vec v = 0][A_begin_vmatrix_ _0_0 _ 0 _ _ _0 _ 0 _ 0 _ _end_vmatrix_ _vec v _ 0] 代入具体例子 ![\\begin\{vmatrix\} 3-λ&1&4 \\\\ 1 & 5-λ &9 \\\\ 2 & 6 &5-λ  \\end\{vmatrix\}\\ \\vec v = 0][begin_vmatrix_ 3-_1_4 _ 1 _ 5-_ _9 _ 2 _ 6 _5-_ _end_vmatrix_ _vec v _ 0]

当v为零向量时，等式一定成立，但我们需要求非零解v。假设为为下图的黄线：

当![A-λ][A-]行列式为0时，空间被压缩成一条直线时

假设![A=\\begin\{vmatrix\} 3&0 \\\\ 1&2   \\end\{vmatrix\}][A_begin_vmatrix_ 3_0 _ 1_2 _end_vmatrix] 所以求解步骤为：

求得λ代入到式子中可以得到特征向量。

## 特征基和对角矩阵 ##

现在讨论基向量和特征向量完全相同时的情况：

这样的矩阵叫做对角矩阵，且对角线的值就是特征值： ![\\begin\{vmatrix\} 3&0&0 \\\\ 0 & 2 &0 \\\\ 0 & 0 &5  \\end\{vmatrix\}\\][begin_vmatrix_ 3_0_0 _ 0 _ 2 _0 _ 0 _ 0 _5 _end_vmatrix]

这种矩阵有一个优势，就是计算十分简便：

一般来说对角矩阵实际情况中很难出现，所以我们需要构造这样的矩阵，假设矩阵有好多个特征向量，可以构成特征空间。 然后使用基变换矩阵这种新的特征矩阵，对角线就是特征值，且一定是对角矩阵。

## 特征值分解 ##

特征值分解可以得到特征值与特征向量，特征值表示的是这个特征到底有多重要，而特征向量表示这个特征是什么

**在机器学习特征提取中，意思就是最大特征值对应的特征向量方向上包含最多的信息量，如果某几个特征值很小，说明这几个方向信息量很小，可以用来降维，也就是删除小特征值对应方向的数据，只保留大特征值方向对应的数据，这样做以后数据量减小，但有用信息量变化不大，PCA降维就是基于这种思路。**

## 奇异值 ##

特征值及特征值分解都是针对方阵而言，现实世界中，我们看到的大部分矩阵不是方阵，比如每道数据有M个点，一共采集了N道数据，这样就形成了一个N\*M的矩阵，那么怎样才能像方阵一样提取出它的特征，以及特征的重要性。

奇异值分解就是来干这个事情的。奇异值相当于方阵中的特征值，奇异值分解相当于方阵中的特征值分解。

## 奇异值分解SVD ##

U 矩阵（左奇异矩阵）的列向量分别是u1,u2（![MM^T][MM_T] 的特征向量）；

Σ是除了主对角线上的元素以外全为0，主对角线上的每个元素都称为奇异值

V矩阵（右奇异矩阵）的列向量分别是v1,v2（![M^TM][M_TM]的特征向量）。

V表示了原始域的标准正交基，U表示经过M 变换后的co-domain的标准正交基，Σ表示了V 中的向量与u中相对应向量之间的关系,即协方差，位于对角线上的元素被称为奇异值。

转载于:https://juejin.im/post/5cc551bef265da03576ece4f

[A_vec v _ _vec v]: /images/20220119/87daaad46f1d4195829fbe686302d7a2.png
[begin_vmatrix_ _0_0 _ 0 _ _ _0 _ 0 _ 0 _ _end_vmatrix]: https://juejin.im/equation?tex=%5Cbegin%7Bvmatrix%7D%20%CE%BB%260%260%20%5C%5C%200%20%26%20%CE%BB%20%260%20%5C%5C%200%20%26%200%20%26%CE%BB%20%20%5Cend%7Bvmatrix%7D%5C%5C
[A_begin_vmatrix_ _0_0 _ 0 _ _ _0 _ 0 _ 0 _ _end_vmatrix_ _vec v _ 0]: https://juejin.im/equation?tex=A%5Cbegin%7Bvmatrix%7D%20%CE%BB%260%260%20%5C%5C%200%20%26%20%CE%BB%20%260%20%5C%5C%200%20%26%200%20%26%CE%BB%20%20%5Cend%7Bvmatrix%7D%5C%20%5Cvec%20v%20%3D%200
[begin_vmatrix_ 3-_1_4 _ 1 _ 5-_ _9 _ 2 _ 6 _5-_ _end_vmatrix_ _vec v _ 0]: /images/20220119/c90461e0fc4449a380f21e5dc5239f74.png
[A-]: /images/20220119/2786017117854e30a847636347f02adc.png
[A_begin_vmatrix_ 3_0 _ 1_2 _end_vmatrix]: /images/20220119/6e060d7951a84cc08d0da1a84e7719fc.png
[begin_vmatrix_ 3_0_0 _ 0 _ 2 _0 _ 0 _ 0 _5 _end_vmatrix]: /images/20220119/a84cde120d0f41518591b1e3174a4a87.png
[MM_T]: /images/20220119/54e33be807a14dacbe6943944a639399.png
[M_TM]: /images/20220119/c38787de5bae4c6b80b4fb724f9b35c8.png