项目地址:https://github.com/Daya-Jin/ML_for_learner
原博客:https://daya-jin.github.io/2019/01/07/MatrixFactorization/
概述
在机器学习领域通常会用到矩阵分解技术,目的就是维度规约或压缩存储,本文做一个简单的总结与概述。
EVD
特征值分解(Eigenvalue Decomposition),假设对于一个n×n的方阵A,有如下等式成立:
Av=λv
其中λ为常数,v为列向量。那么满足上式的λ为矩阵A的特征值,对应的v为特征向量,方阵的特征向量是相互正交的。写成矩阵形式有:
A=QΣQ−1
其中Σ为特征值由大到小排列构成的对角矩阵,Q为特征向量构成的方阵。选取前k大的特征值,那么降维后的A可以表示成:
Areduc=An×n(Q−1)n×k
EVD即是PCA的原理。
SVD
奇异值分解(Singular Value Decomposition),假设对一个n×m的矩阵A,SVD的目标是把A分解成如下形式:
A=UΣVT
其中Σ是与A同形状的奇异值矩阵。由矩阵乘法的性质可得,矩阵U的形状为n×n,VT的形状为m×m。同样类似的,U与V都是正交方阵。
SVD可以通过EVD来实现,注意到:
AAT=UΣΣTUTATA=VΣTΣVT
不难发现可以分别通过对AAT和ATA做EVD可以得到U和V,而Σ则是特征值的开方。选取前k大的奇异值,那么A可以近似压缩存储成:
Acomp=Un×kΣk×k(VT)k×m
对于降维,有:
Areduc=An×m(VT)m×k