奇异值分解(SVD)学习笔记
来源:互联网 发布:java中static修饰变量 编辑:程序博客网 时间:2024/06/05 15:39
1、奇异值分解介绍
在机器学习或数据分析中,有时样本数据会比较大,这样对计算机的内存会有很大的负担。此时,通过一些方法来提取数据中的主要成分,而忽略其中可以忽略不计的成分,将大大减少计算量。本文讲简单介绍奇异值分解(SVD)方法。
在机器学习中,数据一般以矩阵的形式作为输入,放入模型中进行训练或计算。矩阵的一行代表一个样本,矩阵的一列代表样本的特征。提取矩阵重要特征的方法有特征值分解和奇异值分解(可能还有其他,目前我只了解这两种)。
在特征值分解种,分解可以特征值和特征向量,特征值标示这个特征到底有多重要,而特征向量标示这个特征是什么,可以将每一个特征向量理解为一个线性的子空间。但是特征值分解有很多局限,比如变换的矩阵必须是方阵。
而奇异值分解(SVD)就没有这个限制,奇异值分解是一个能适用于任意矩阵的分解方法。
如上图,图中将一个m*n矩阵分解为右边三个矩阵。其中,
由此,便可以减少数据量的存储。
2、奇异值分解方法
假设在原始域中有一个单位圆,如下图所示。经过矩阵变换以后在co-domain中单位圆会变成一个椭圆,它的长轴和短轴分别对应转换后的两个标准正交向量,也是在椭圆范围内最长和最短的两个向量。
对于矩阵A,我们可以有
- 奇异值分解(SVD)学习笔记
- 奇异值分解SVD学习笔记
- 奇异值分解(SVD)
- svd(奇异值分解)
- 奇异值分解(SVD)
- 奇异值分解(SVD)
- 奇异值分解(SVD)
- 奇异值分解(SVD)
- 奇异值分解(SVD)
- 特征值分解 & 奇异值分解(SVD)
- 机器学习实战学习笔记4——奇异值分解(SVD)
- SVD奇异值分解
- SVD奇异值分解
- SVD奇异值分解
- SVD奇异值分解
- 奇异值分解(SVD)
- SVD奇异值分解
- 奇异值分解(SVD)
- ListView的几种简单用法
- 关于Textview maxline=1 ellipsize="end" 导致中英文数字混合分割错误的问题
- xz not found
- centos 7 MongoDB yum安装
- Linux日志系统解析
- 奇异值分解(SVD)学习笔记
- maven--web.xml
- Linux下配置(大页)Hugepages
- linux shell 逻辑运算符、逻辑表达式详解
- 使用try/catch的原则和常见场景
- Android Glide 使用与问题处理
- 如何判断js的数据类型
- 大端小端
- 每天一python 题 0006