基础部分人工智能数学线代矩阵分解.pptxVIP

线性代数7矩阵分解

第六章矩阵分解内容提要 §1特征分解 §2奇异值分解

分解：分解为多个组成部分，找到表达方式不变的通用属性，帮助更好理解。从整数分解谈矩阵特征分解

?从整数分解谈矩阵特征分解

?从整数分解谈矩阵分解

特征值分解奇异值分解

如果说一个非零向量v是方阵A的特征向量，则一定可以表示成下面的形式：????λ被称为特征向量v对应的特征值特征值分解

如果说一个非零向量v是方阵A的特征向量，则一定可以表示成下面的形式：????λ被称为特征向量v对应的特征值性质：非零性v是特征向量，则sv也是特征向量特征值分解

?特征值分解

特征值分解

?特征值分解

特征值分解

正定矩阵半正定矩阵负定矩阵半负定矩阵特征值分解

特征值分解是一个提取矩阵特征很不错的方法但是它只是对方阵而言的，在现实的世界中，我们看到的大部分矩阵都不是方阵比如说有N个学生，每个学生有M科成绩，这样形成的一个N*M的矩阵就不可能是方阵我们怎样才能描述这样普通的矩阵呢的重要特征呢？奇异值分解可以用来干这个事情，奇异值分解是一个能适用于任意矩阵的一种分解的方法特征值分解

应用广泛每个实数矩阵都有一个奇异值分解，但不一定都有特征分解非方阵的矩阵没有特征分解，这时只能使用奇异值分解特征值分解

奇异值分解分解形式：A是一个N×M的矩阵U是一个M×M的方阵U的列向量称为左奇异向量Σ是一个N×M的矩阵除了对角线的元素都是0，对角线上的元素称为奇异值VT是一个N×N的矩阵VT列向量称为右奇异向量

那么奇异值和特征值是怎么对应起来的呢？将一个矩阵A的转置乘以A，并将会得到一个方程：我们利用这个方阵求特征值λi???以及特征向量组V，就是我们上面的右奇异向量。此外我们还可以得到：????这里的σ就是奇异值，u就是上面说的左奇异向量。奇异值分解

奇异值σ跟特征值类似，在矩阵Σ中也是从大到小排列，而且σ的减少特别的快，在很多情况下，前10%甚至1%的奇异值的和就占了全部的奇异值之和的99%以上了。也就是说，我们也可以用前r（r远小于m、n）个的奇异值来近似描述矩阵，即部分奇异值分解：右边的三个矩阵相乘的结果将会是一个接近于A的矩阵，在这儿，r越接近于n，则相乘的结果越接近于A。奇异值分解

奇异值分解

因为有4个特征，特征向量为4*4的矩阵这个就是U奇异值分解

这个就是V奇异值分解

奇异值分解

奇异值分解