为什么叫奇异值分解（形象直观透彻理解奇异值分解）

今天，奇异值分解已经通过许多科学分支传播，特别是心理学和社会学、气候和大气科学以及天文学。它在机器学习以及描述性和预测性统计中也非常有用。

历史

奇异值分解技术（简称SVD）具有长期且有些令人惊讶的历史。它开始于社会科学与智力测试。早期的情报研究人员指出，用于衡量智力的不同方面的测试，例如口头和空间，通常是密切相关的。

因此，他们假设有一个共同的智力的一般衡量标准，他们称之为“g”，因为“一般情报”，现在通常被称为“智商”，所以他们着手解释构成的不同因素智力，以便拉出最重要的一个。

今天，奇异值分解已经通过许多科学分支传播，特别是心理学和社会学，气候和大气科学以及天文学。它在机器学习以及描述性和预测性统计中也非常有用。

力学的启发

回顾基本力学，力的分解是力的合成的逆运算，求一个力的分力的过程，同样遵守平行四边形法则。如果分解后的两个力是互相垂直的，就类似于坐标分解，一般可有无数种分法，如图所示。

令人失望的是，几乎所有网上SVD方面的博客都讲的使其比必要的更复杂，而核心思想是非常简单的。

SVD只不过是将矢量分解为正交轴 - 我们只是认为它可能需要更堂皇的名称。

让我们看看情况如何。

当矢量a被分解时，我们得到3个信息：

第一、 投影方向的单元矢量（v ₁和v ₂）我们进行矢量分解的方向。在上面它们是x和y轴，但可以是任何其他正交轴。

第二、长度投影（线段sa1和sa2），这告诉我们有多少矢量被包含在投影的各个方向(a在v₁比在v₂上的投影更多，因此，sa1>sa2）。

第三、矢量投影（矢量pa1和pa2），用于重建原始矢量的分量（矢量和为原始矢量），以及用于其可以很容易地验证pa1 = sa1* v₁和pa2= sa2* v₂ ,很容易从以前的2个推断出来。

关键结论：

任何向量都可以用下式表示：

1.投影方向单位向量（v 1，v 2，...）。

2.投影到它们上面的长度（sₐ1，sₐ2，......）。

SVD所做的就是将这个结论扩展到多个向量（或点）和所有维度：

这是数据集的一个示例，一个点可以被认为是从原点出发的矢量。但是要处理这么多数据就是一个比较棘手的混乱。

如何处理这个混乱

如果不先处理单个向量，我们就无法处理这个混乱！

数学中的许多概括，主要使用矩阵。因此，我们必须找到一种方法来表示使用矩阵的向量分解的操作。

事实证明这是很自然的事情：

与之前的数字相同，但通过倾斜投影轴，来表明不限于x和y。aₓ和aᵧ是向量a的坐标，按照惯例放入列矩阵（列向量）。对于v1和v2也是如此。

我们想要沿着单位矢量v 1和v 2分解或者说投影矢量a。

该投影是由点积来实现的 ，它为我们提供了长度投影sa1和sa2：

将a投射到v1和v2上。

但是如果我们可以利用矩阵，那么效率是出色的......

通过为每个单位矢量添加更多的列，一次写入两个方程式。

我们甚至可以添加更多点......

添加一个额外的行就相当于添加了点。S是包含投影长度的矩阵。

在添加点b之后，它就是这样的样子：

现在可以很容易地推广到任意数量的点和维度：

n =点的个数；

d =维度大小；

A =包含点的矩阵；

V =包含分解轴的矩阵；

S =包含投影长度的矩阵。

下面的动态很好的体现了数学优雅：

总结概括：

在这种情况下，点积只是普通的矩阵乘法。

这就是说：

因为V列是正交的，所以它的逆=它的转置（正交矩阵的属性）。

这就是SVD的关键结论：

任何一组矢量（A）可以用其在某组正交轴（V）上的投影长度（S）表示。

传统的SVD公式说：

但这只是意味着我们想看看如何：

这就是接下来需要我们推导的。

如果仔细查看矩阵S，您会发现它包括：

事实证明（出于后面会看到的原因）我们最好能够对这些列向量进行归一化，即使它们具有单位长度。

这是通过相当于将每个列向量除以其大小来完成的，以矩阵形式。

看一个例子，来看看这个"分裂"的事情是如何完成的。

假设我们想将M的第1列除以2。要求必须乘以另一个矩阵来保持恒等：

可以直接验证未知矩阵只不过是单位矩阵，第1行第1列被除数2替换：

第二列除以3现在变成了直接的事-只需用元素3有来更换单位阵第2行第2列：

应该明白如何将此操作推广到任何大小的任何矩阵。

现在，我们要在上面的"除法"的概念应用到矩阵。

为了标准化S的列，我们将它们除以它们的大小......

.通过使用S，我们在上面的例子中用M做了什么：

最后得到：

这不就是奇异值分解的形式吗？

解释

我们来谈谈这个U和Σ ......

σ是什么？为什么我们要把S标准化来找到它们？

由上面我们已经知道，σᵢ是所有点在单位矢量vᵢ投影长度的平方和的平方根。

这是什么意思？

红色部分= 向量在v1上的投影。蓝色部分= 向量在v2上的投影。点越接近特定投影轴，相应σ的值越大。

因为σ在其定义中包含特定轴上的投影长度之和，因此它们表示所有点与该轴的接近程度。

例如，如果σ1>σ2，那么大多数点比v2更接近v1，反之亦然。

这在SVD的无数应用中具有巨大的实用性。

主要应用

找到矩阵的SVD分解的算法并不是不随机选择投影方向（矩阵V的列）的。

他们选择要投影的向量作为数据集的主成分（矩阵A）。

它们是变化最大的线（最大方差）。

特征降维的目的是把数据集投影到方差最大的线（或平面）：

洋红色：投射前的点。紫罗兰：投影后的点（维数减少）。

现在，使用SVD投影数据集的行为变得非常简单，因为所有点都已经在所有主成分（vᵢ单位向量）上投影（分解）：

因此，例如，将数据集投影到第一个主成分上......

现在，我们要做的就是删除与第一主成分无关的所有列。现在A'中的投影数据集 。

将两个矩阵（上面的S和Vᵀ）相乘得到包含投影点的矩阵A'。

,