4.降维.ppt

謝 謝！ 奇異值分解SVD 定義 r 是 A 的 Rank （秩） U：左奇異向量 Left Singular Vectors 單位正交矩陣 Σ：奇異值 Singular Values對角陣， V：右奇異向量 Right Singular Vectors 單位正交矩陣 1]求矩陣AHA的相似對角矩陣V; 5]構造奇異值分解 4]擴充U1為酉矩陣 U=(U1 ,U2) 3]令 2]記 奇異值分解方法—利用矩陣AHA求解 例：求矩陣 的奇異值分解 可求得 的特徵值為 對應的特徵向量依次為 於是可得： 令 其中 構造： 則 的奇異值分解為 計算： 奇異值分解方法—利用矩陣AAH求解？ Step 1：Δ Step 2：V Step 3：U Step 4：A=UΔV Step 1：Δ Step 2：U Step 3：V Step 4：A=UΔV 利用AAH求解過程 利用AHA求解過程 SVD 基於SVD的降維 降強度最低那一維 強度矩陣 CUR CUR降維 目標: 將矩陣A表示成矩陣 C,U,R的乘積 並保證 ∥A-C·U·R∥F 最小 Frobenius norm: ∥X∥F = ? Σij xij2 克服SVD的問題：A = CUR 隨機找c行，組成C 選行j的概率P(j) = 其能量（值的平方和）/A的總能量 選出後，除它可能被挑上的次數的開