奇异值分解（SVD）实例，将不重要的特征值改为0，原X基本保持不变

>> s = rand(5,7)

s =

0.4186  0.8381  0.5028 0.1934 0.6979 0.4966 0.6602
0.8462  0.0196  0.7095 0.6822 0.3784 0.8998 0.3420
0.5252  0.6813  0.4289 0.3028 0.8600 0.8216 0.2897
0.2026  0.3795  0.3046 0.5417 0.8537 0.6449 0.3412
0.6721  0.8318  0.1897 0.1509 0.5936 0.8180 0.5341

>> [U,S,V] = svd(x)

U =

-0.4898    -0.3969    -0.4590   -0.6260
-0.5360    -0.3441    0.7673    0.0750
-0.5182    0.8415     0.0300    -0.1500
-0.4519    -0.1266    -0.4469   0.7616

S =

4.9686    0            0
0            0.4454    0
0            0            0.1566
0            0            0

V =

-0.8576       0.5123           -0.0451
-0.0320       0.0344           0.9989
0.5133        0.8581           -0.0131

-- 修改不重要的值

>> S(3,3)=0

S =

4.9686     0             0
0             0.4454     0
0             0             0
0             0             0

>> U*S*V‘

ans =

1.9968   0.0718    -1.4009
2.2054   0.0800   -1.4984
2.4002   0.0953   -0.9999
1.8968   0.0699   -1.2009

结论：和原理的值差别不大

>> S(3,3)=0.1566

S =

4.9686    0                0
0            0.4454        0
0            0                0.1566
0            0                0

>> U*S*V‘

ans =

2.0000    0.0000    -1.4000
2.2000    0.2000    -1.5000
2.4000    0.1000    -1.0000
1.9000    0.0000    -1.2000

时间： 2024-08-24 03:35:18

奇异值分解（SVD）实例，将不重要的特征值改为0，原X基本保持不变的相关文章

奇异值分解(SVD) --- 几何意义 （转载）

PS:一直以来对SVD分解似懂非懂,此文为译文,原文以细致的分析+大量的可视化图形演示了SVD的几何意义.能在有限的篇幅把 这个问题讲解的如此清晰,实属不易.原文举了一个简单的图像处理问题,简单形象,真心希望路过的各路朋友能从不同的角度阐述下自己对SVD实际意义的理 解,比如 个性化推荐中应用了SVD,文本以及Web挖掘的时候也经常会用到SVD. 原文:We recommend a singular value decomposition 关于线性变换部分的一些知识可以猛戳这里  奇异值分解(S

奇异值分解(SVD) --- 几何意义

PS:一直以来对SVD分解似懂非懂,此文为译文,原文以细致的分析+大量的可视化图形演示了SVD的几何意义.能在有限的篇幅把这个问题讲解的如此清晰,实属不易.原文举了一个简单的图像处理问题,简单形象,真心希望路过的各路朋友能从不同的角度阐述下自己对SVD实际意义的理解,比如 个性化推荐中应用了SVD,文本以及Web挖掘的时候也经常会用到SVD. 原文:We recommend a singular value decomposition 关于线性变换部分的一些知识可以猛戳这里  奇异值分解(SVD

[机器学习笔记]奇异值分解SVD简介及其在推荐系统中的简单应用

本文先从几何意义上对奇异值分解SVD进行简单介绍,然后分析了特征值分解与奇异值分解的区别与联系,最后用python实现将SVD应用于推荐系统. 1.SVD详解 SVD(singular value decomposition),翻译成中文就是奇异值分解.SVD的用处有很多,比如:LSA(隐性语义分析).推荐系统.特征压缩(或称数据降维).SVD可以理解为:将一个比较复杂的矩阵用更小更简单的3个子矩阵的相乘来表示,这3个小矩阵描述了大矩阵重要的特性. 1.1奇异值分解的几何意义(因公式输入比较麻烦

机器学习中的数学(5)-强大的矩阵奇异值分解(SVD)及其应用

机器学习中的数学(5)-强大的矩阵奇异值分解(SVD)及其应用 版权声明: 本文由LeftNotEasy发布于http://leftnoteasy.cnblogs.com, 本文可以被全部的转载或者部分使用,但请注明出处,如果有问题,请联系[email protected] 前言: 上一次写了关于PCA与LDA的文章,PCA的实现一般有两种,一种是用特征值分解去实现的,一种是用奇异值分解去实现的.在上篇文章中便是基于特征值分解的一种解释.特征值和奇异值在大部分人的印象中,往往是停留在纯粹的数学计

奇异值分解(SVD)

特征值分解是利用矩阵的对角化来完成的:A=Q∧Q-1,但这种分解方法需要满足一个前提条件,即A是方阵. 奇异值分解(SVD)可以对m x n的矩阵进行分解.我们希望找到一个n x n的正交方阵V.一个m x m的正交方阵U和一个m x n的矩阵∑,使得A满足式子AV=U∑.因为V是正交矩阵,所以V是可逆,且V-1=VT,所以AV=U∑又可以写成A=U∑VT.下面分两步来找到V和U. 1)注意到ATA是一个对称方阵,如果存在一个n x n的正交方阵V.一个m x m的正交方阵U和一个m x n的矩

奇异值分解(SVD)原理详解及推导

声明:转自http://blog.csdn.net/zhongkejingwang/article/details/43053513 在网上看到有很多文章介绍SVD的,讲的也都不错,但是感觉还是有需要补充的,特别是关于矩阵和映射之间的对应关系.前段时间看了国外的一篇文章,叫A Singularly Valuable Decomposition The SVD of a Matrix,觉得分析的特别好,把矩阵和空间关系对应了起来.本文就参考了该文并结合矩阵的相关知识把SVD原理梳理一下. SVD不

【简化数据】奇异值分解(SVD)

[简化数据]奇异值分解(SVD) @author:wepon @blog:http://blog.csdn.net/u012162613/article/details/42214205 1.简介 奇异值分解(singular Value Decomposition),简称SVD,线性代数中矩阵分解的方法.假如有一个矩阵A,对它进行奇异值分解,可以得到三个矩阵: 这三个矩阵的大小: 矩阵sigma(即上图U和V中间的矩阵)除了对角元素不为0,其他元素都为0,并且对角元素是从大到小排列的,前面的元

机器学习——降维（主成分分析PCA、线性判别分析LDA、奇异值分解SVD、局部线性嵌入LLE）

机器学习--降维(主成分分析PCA.线性判别分析LDA.奇异值分解SVD.局部线性嵌入LLE) 以下资料并非本人原创,因为觉得石头写的好,所以才转发备忘 (主成分分析(PCA)原理总结)[https://mp.weixin.qq.com/s/XuXK4inb9Yi-4ELCe_i0EA] 来源:?石头?机器学习算法那些事?3月1日 主成分分析(Principal components analysis,以下简称PCA)是最常用的降维方法之一,在数据压缩和消除冗余方面具有广泛的应用,本文由浅入深的

用 GSL 求解超定方程组及矩阵的奇异值分解(SVD)

用 GSL 求解超定方程组及矩阵的奇异值分解(SVD) 最近在学习高动态图像(HDR)合成的算法,其中需要求解一个超定方程组,因此花了点时间研究了一下如何用 GSL 来解决这个问题. GSL 里是有最小二乘法拟合(Least-Squares Fitting)的相关算法,这些算法的声明在 gsl_fit.h 中,所以直接用 GSL 提供的 gsl_fit_linear 函数就能解决这个问题.不过我想顺便多学习一些有关 SVD 的知识.所以就没直接使用 gsl_fit_linear 函数. SVD