奇异值分解(SVD)的之低秩近似和特征降维
来源:互联网 发布:python turtle填色 编辑:程序博客网 时间:2024/04/26 22:39
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,。
5 0
- 奇异值分解(SVD)的之低秩近似和特征降维
- 奇异值分解(SVD)的之低秩近似和特征降维
- 特征分解和奇异值分解(SVD)
- SVD奇异值分解 可视化特征脸
- 奇异值分解(SVD)和图像矩阵的分解测试
- 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(EVD)和奇异值分解(SVD)
- 矩阵分解----奇异值分解(SVD)原理和应用
- 数据降维处理:PCA之奇异值分解(SVD)介绍
- 特征值分解 & 奇异值分解(SVD)
- 特征降维之SVD分解
- 机器学习之奇异值分解之特征值(SVD)
- abstract class和interface的区别详解
- 脸上长了黄褐斑怎么办
- Java Servlet调用Matlab算法
- BootCamp助理中没有“创建Windows7的USB安装盘”
- PHP如何响应移动端(android or ios)的post请求(使用file_get_contents)
- 奇异值分解(SVD)的之低秩近似和特征降维
- Java项目导出为可执行jar包,并在windows/linux下运行
- Win7机器上安装Ubuntu 14.0.4
- struts2 获取session的方法,sessionAware 接口的使用
- javaniu用户头像如何实现的啊,能否提供一份代码呢
- Ruby中each,map,collect,inject对比
- Linux内核--网络协议栈深入分析(三)--BSD socket和传输层sock
- Android版本百度地图开发(一)——创建应用
- CSDN博客文章的备份及导出电子书CHM