彻底理解SVD

最新推荐文章于 2025-07-28 23:33:11 发布
最新推荐文章于 2025-07-28 23:33:11 发布
阅读量922 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： 数学 文章标签： SVD 奇异值分解 特征值 特征向量
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/zj360202/article/details/22278789



1.特征值的求法
  


  
H的特征可以通过求特征值的方程求得

所以上面的B可以转换成

这里补充一些3阶方阵算特征值的方法


后面就是得到多项式乘积就知道特征值了，这里就不计算了

到此，A和B的特征值就算出来了，不过这里要说一些特性，如果A和B都是由M自相乘得来，他们的非零特征值一定数量和值是一样的
这样我们就得到了M的非零奇异特征值

由此我们就得到了sigma矩阵

2.通过特征向量求U和V
的矩阵
先取A的特征值16，算特征向量

得到结果是
-11*x1=0
-5*x2=0
-16*x3=0
0*x4=0
因此x1=0,x2=0,x3=0,x4取任意值（默认是1）
所以得到P1=[0,0,0,1]
同理可以算出其它U的列，还有用B和特征值可以算出V
SVD与PCA的问题
SCUT_Sam
03-06 2216
摘要： 继上一篇文章对PCA分析后，这篇文章将介绍一个每提及PCA时，都会提到的名字SVD。 SVD是什么？ SVD，奇异值分解。是属于矩阵分解里面的一种方法。 在谈论SVD之前，其实有必要回忆另外的一种很常用的矩阵分解。 可以看到，对于任意的n×n的对称矩阵A，都存在A=VDVTA=VDVTA=VDV^T。 那么假如矩阵A不是方针那么是否存在类似的分解呢？没错，这个就是SVD...
《Stable Video Diffusion》：SVD，2023年开源视频生成模型中的佼佼者！
my_name_is_learn的博客
01-20 1416
在这篇文章中，我将面向之前已经熟悉StableDiffusion(SD)的读者，简要解读SVD的论文。
浅谈SVD的理解
青菜虫虫的专栏
07-06 4695
拜读吴军老师的《数学之美》，其中第15章提到通过SVD分解可以从一堆文章中的文字集合中抽取出主题，从而将文章归类，比如从一大堆文章中抽取出体育、文学、娱乐等板块，心想真不可思议，而且SVD分解公式，A = UVW。我们知道V是一个对角矩阵，对角线上元素按主题的重要程度排序（出现次数越多越重要），简直逆天了，左思右想搞不明白 另外，经常看到一个例子，是拿SVD做图像降噪，如下图有一副图像：
彻底理解SVD奇异值分解(singular value decomposition)
子燕若水的博客
03-09 1762
想要理解SVD奇异值分解，必先理解矩阵对角化定理。嗯！ 下面是Diagonalization Theorem A = PDP −1, with D a diagonal matrix, if and only if the columns of P are n linearly independent eigenvectors of A. In this case, the diagonal entries of D are eigenvalues of A that correspond, res
【机器学习】这次终于彻底理解了奇异值分解(SVD)原理及应用
热门推荐
fengdu78的博客
02-09 4万+
奇异值分解(Singular Value Decomposition，以下简称SVD)是在机器学习领域广泛应用的算法，有相当多的应用与奇异值都可以扯上关系，它不光可以用于降维算法中的特征分...
阅读笔记——SVD本质+计算+应用
m0_70392867的博客
11-30 540
但由于后者是前者的必要条件，所以结果要加以矫正，如下所示，以特征值个数为2的矩阵为例，可以看到，P,Q对应位置的特征向量仍需满足如下关系。如下图例子所示，可以看出，奇异值分解结果左右的正交矩阵并不存在转置关系，即奇异值分解结果与正交相似对角化结果必然不同。1.实对称矩阵A的变换是一种线性变换，对应到图像上可以看成一种映射，如图所示将一个个矩形映射成四边形。，其中P,Q为正交阵，S是对角矩阵，其对角线上的元素非负且从左上到右下按从大到小排列。：转换为实对称矩阵相似对角化的问题。6.任意矩阵奇异值分解。
奇异值分解(SVD)和np.linalg.svd()函数用法
AI量化交易实验室
12-01 1万+
奇异值分解是一种十分重要但又难以理解的矩阵处理技术，在机器学习中是最重要的分解没有之一的存在。那么，奇异值分解到底是在干什么呢？
SVD奇异值分解及图像中的应用
sinat_26398509的博客
11-20 1159
矩阵的SVD分解的计算理解及应用
线性代数：SVD分解【用于信息压缩&降噪】
Norah 的技术博客
11-24 724
奇异值分解（SVD）是将任意矩阵分解为其特征向量和奇异值的组合，广泛应用于数据降维、信号处理和图像压缩等领域。
DAY20 奇异值SVD分解
最新发布
Soyonagsaki_的博客
07-28 982
方差贡献率≠预测相关性：前者描述 “数据自身变异的分布”，后者描述 “特征与目标的关联”，两者无必然联系。选择 k 时需结合任务：不能仅看累计方差贡献率，更要观察降维后模型的预测性能。你的案例中，即使 1 个维度解释 98% 的变异，但预测效果远差于原始特征，说明需要保留更多维度（哪怕累计贡献率略低）。建议尝试保留更多 k 值（如 k=2、3），观察模型准确率是否提升，以此找到 “解释变异” 和 “预测能力” 的平衡。经过多次试验， k=9时，预测精度与原逻辑回归一致。
机器学习文档（transformer, BERT, BP, SVD）
08-26
它彻底改变了之前依赖于RNN（循环神经网络）或CNN（卷积神经网络）处理序列数据的方式。Transformer的主要特点是利用自注意力（Self-Attention）机制，使得模型可以并行处理序列中的所有元素，提高了计算效率。此外...
【SVD实战指南】：从理论到实践，彻底掌握奇异值分解
[【SVD实战指南】：从理论到实践，彻底掌握奇异值分解](https://acurasoft.com/wp-content/uploads/2018/02/SVD-2.jpg) # 摘要 奇异值分解（SVD）作为一种强大的数学工具，在数据处理、推荐系统、图像处理、文本...
【LDA数学基石】：彻底理解线性判别分析的数学原理
!...# 1. 线性判别分析（LDA）概述 线性判别分析（Linear Discriminant Analysis，简称LDA）是一种经典的统计学习方法，广泛应用于模式识别和机器学习领域。LDA的核心思想是寻找一个线性组合的特征，这个组合能够最大...
彻底理解PCA（Principal Component Analysis）主成分分析
ChuanjieZhu
10-31 2万+
理解矩阵特征值、特征向量   对于一个矩阵A，它的特征值和特征向量代表着什么？ 矩阵代表着一个线性变换，包括旋转和伸缩。旋转和伸缩的是向量所在坐标系的基。 如果一个向量在A作用后没有发生旋转，只是大小发生了变化，那么这个向量就是A的特征向量，变化的倍数就是对应的特征值，特征值的正负代表变化的方向。可以直观的看出，特征向量方向上的所有向量都是对应于这个特征值的特征向量。所有特征向量组成的...
微积分（一）--方向场，积分曲线
zj360202的专栏
07-14 1万+
名词 1.ODE定义：常微分
微积分(三)-- 一阶常微分方程解法
zj360202的专栏
08-07 2703
一、积分公式
微积分(二)--欧拉数值法
zj360202的专栏
08-07 2608
一、欧拉数值法概述
大素数的应用
zj360202的专栏
06-13 2166
1.    密码学涉及到将需要保密的信息打乱，使得只有接受者才能整理出它们，而别的任何可能截获它们的人都无法整理出它们。这种打乱的过程需要使用保密的密码本，而整理这些信息按管理只需要接收者反过来使用密码本就行了。在这个程序中，密码本是保密环节中最薄弱的一环。首先，接收者和发送者必须约定密码本的详细内容，而这种信息的交流是一个有泄密风险的过程。如果敌方能截获正在交流的密码本，那么他们就能译出此后所有
计算机常用计算方法
zj360202的专栏
07-18 1131
1.取余：100%4=1100100&11=0   可以理解为100的二jf
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值