目录

  1. 相关概念
  2. 定义
  3. 求解
  4. 举例
  5. Numpy 实现
  6. END

奇异值分解(Singular Value Decomposition,SVD)是一种矩阵分解(Matrix Decomposition)的方法。除此之外,矩阵分解还有很多方法,例如特征分解(Eigendecomposition)、LU分解(LU decomposition)、QR分解(QR decomposition)和极分解(Polar decomposition)等。这篇文章主要说下奇异值分解,这个方法在机器学习的一些算法里占有重要地位。

相关概念

参考自维基百科。

  • 正交矩阵:若一个方阵其行与列皆为正交的单位向量,则该矩阵为正交矩阵,且该矩阵的转置和其逆相等。两个向量正交的意思是两个向量的内积为 0
  • 正定矩阵:如果对于所有的非零实系数向量 $z$,都有 $z^TAz>0$,则称矩阵 $A$ 是正定的。正定矩阵的行列式必然大于 0, 所有特征值也必然 > 0。相对应的,半正定矩阵的行列式必然 ≥ 0。

定义

下面引用 SVD 在维基百科中的定义

In linear algebra, the singular value decomposition (SVD) is a factorization of a real or complex matrix. It is the generalization of the eigendecomposition of a positive semidefinite normal matrix (for example, a symmetric matrix with positive eigenvalues) to any $ m\times n $ matrix via an extension of polar decomposition.

也就是说 SVD 是线代中对于实数矩阵和复数矩阵的分解,将特征分解从 半正定矩阵 推广到任意 $ m\times n $ 矩阵。

注意:本篇文章内如未作说明矩阵均指实数矩阵。

假设有 $ m\times n $ 的矩阵 $A$ ,那么 SVD 就是要找到如下式的这么一个分解,将 $A$ 分解为 3 个矩阵的乘积:

其中,$U$ 和 $V$ 都是正交矩阵 (Orthogonal Matrix),在复数域内的话就是酉矩阵(Unitary Matrix),即

换句话说,就是说 $U$ 的转置等于 $U$ 的逆,$V$ 的转置等于 $V$ 的逆:

而 $ \Sigma $ 就是一个非负实对角矩阵。

那么 $U$ 和 $V$ 以及 $ \Sigma $ 是如何构成的呢?

求解

$U$ 和 $V$ 的列分别叫做 $A$ 的 左奇异向量(left-singular vectors)和 右奇异向量(right-singular vectors),$ \Sigma $ 的对角线上的值叫做 $A$ 的奇异值(singular values)。

其实整个求解 SVD 的过程就是求解这 3 个矩阵的过程,而求解这 3 个矩阵的过程就是求解特征值和特征向量的过程,问题就在于 求谁的特征值和特征向量

  • $U$ 的列由 $AA^T$ 的单位化过的特征向量构成
  • $V$ 的列由 $A^TA$ 的单位化过的特征向量构成
  • $ \Sigma $ 的对角元素来源于 $AA^T$ 或 $A^TA$ 的特征值的平方根,并且是按从大到小的顺序排列的

知道了这些,那么求解 SVD 的步骤就显而易见了:

  1. 求 $AA^T$ 的特征值和特征向量,用单位化的特征向量构成 $U$
  2. 求 $A^TA$ 的特征值和特征向量,用单位化的特征向量构成 $V$
  3. 将 $AA^T$ 或者 $A^TA$ 的特征值求平方根,然后构成 $ \Sigma $

举例

假设

那么可以计算得到

接下来就是求这个矩阵的特征值和特征向量了

要想该方程组有非零解(即非零特征值),那么系数矩阵 $ AA^T - \lambda E $ 的行列式必须为 0

求解这个行列式我就不再赘述了,这个直接使用行列式展开定理就可以了,可以得到 $\lambda_1 \approx 29.86606875,\lambda_2 \approx 0.13393125,\lambda_3 = \lambda_4 = 0$,有 4 个特征值,因为特征多项式 $ \vert AA^T - \lambda E \vert $ 是一个 4 次多项式。对应的单位化过的特征向量为

这就是矩阵 $U$ 了。

同样的过程求解 $A^TA$ 的特征值和特征向量,求得 $\lambda_1 \approx 0.13393125,\lambda_2 \approx 29.86606875 $,将特征值降序排列后对应的单位化过的特征向量为

这就是矩阵 $V$ 了。

而矩阵 $\Sigma$ 根据上面说的为特征值的平方根构成的对角矩阵

到此,SVD 分解就结束了,原来的矩阵 $A$ 就被分解成了 3 个矩阵的乘积。

Numpy 实现

Python 中可以使用 numpy 包的 linalg.svd() 来求解 SVD。

1
2
3
4
import numpy as np

A = np.array([[2, 4], [1, 3], [0, 0], [0, 0]])
print(np.linalg.svd(A))

输出

1
2
3
4
5
6
7
(array([[-0.81741556, -0.57604844,  0.        ,  0.        ],
[-0.57604844, 0.81741556, 0. , 0. ],
[ 0. , 0. , 1. , 0. ],
[ 0. , 0. , 0. , 1. ]]),
array([ 5.4649857 , 0.36596619]),
array([[-0.40455358, -0.9145143 ],
[-0.9145143 , 0.40455358]]))

END