Singular Value Decomposition(SVD,奇異值分解)
Full SVD
矩陣Amn ,其中m和n不一定相等,可以寫成:
Amn=UmmSmnVnn
Umm 由AAT 的特徵向量構成;
Vnn 由ATA 的特徵向量構成;
AAT 和ATA 的非零特徵值相同,但特徵值對應的特徵向量不一定相同;Reduced SVD
矩陣Amn ,其中m和n不一定相等,可以寫成:
Amn=UmkSkkVkn
Umk 由AAT 的前k個特徵向量構成;
Vkn 由ATA 的前k個特徵向量構成;
其中,k是可配置項,選取前k個信息量最大的維。可以將一個大矩陣分解成三個小矩陣,降低存儲和運算,同時保證信息的損失在可控範圍之內。語音識別領域對模型進行low-rank處理就是基於此思想。SVD的抽象說明
① 進行空間變換,變換後各維信息是獨立的,從而更好展示原始數據的區分性;
② 對各維信息的重要程度進行排序,從而根據每維信息的重要程度進行針對性的選擇,從而達到數據降維的作用。
參考文獻:
Singular Value Decomposition Tutorial,Kirk Baker,2013