开坑，刚看完书，已经有些窒息了
先把坑挖了，再慢慢填，避免自己划水跳过
我爱线代，线代爱我，阿弥陀佛
为什么要学奇异值分解？
因为书本倒数第二章专门提到的，想必一定很重要，于是我上网查了一下奇异值分解的应用
wow 。。。很有用，增加了学习的动力
奇异值分解的应用
在机器学习中，奇异值分解，可以删除一些没什么作用的特征。
具体是如何删除的呢？需要先了解一下，奇异值分解的数学原理
不会吧。。。我难道要用markdown语法来写矩阵的推导过程吗。。。
太痛苦了吧
首先，奇异值是什么？分解又从何谈起？
- 奇异值分解的本质，其实是矩阵分解的延伸
什么是矩阵分解？矩阵分解又有什么意义呢？
- 矩阵分解，是将一个矩阵分解为多个形式简单的矩阵，可以更好地理解矩阵本身的作用
-
感觉像一句废话，举个栗子吧…oh不，举个up主：矩阵分解及正交矩阵
- 其实就是用矩阵的伸缩、旋转变换功能来举例
向量和矩阵
向量一般是竖着写的，几个向量组成一个矩阵
例如向量 X =
[
x
1
x
2
x
3
]
\begin{bmatrix} x_1\\ x_2\\ x_3\\ \end{bmatrix}
x1x2x3
,Y =
[
y
1
y
2
y
3
]
\begin{bmatrix} y_1\\ y_2\\ y_3\\ \end{bmatrix}
y1y2y3
,Z =
[
z
1
z
2
z
3
]
\begin{bmatrix} z_1\\ z_2\\ z_3\\ \end{bmatrix}
z1z2z3
,K =
[
k
1
k
2
k
3
]
\begin{bmatrix} k_1\\ k_2\\ k_3\\ \end{bmatrix}
k1k2k3
矩阵是几个向量的组合
[
x
1
y
1
z
1
k
1
x
2
y
2
z
2
k
2
x
3
y
3
z
3
k
3
]
\begin{bmatrix} x_1&y_1&z_1&k_1\\ x_2&y_2&z_2&k_2\\ x_3&y_3&z_3&k_3\\ \end{bmatrix}
x1x2x3y1y2y3z1z2z3k1k2k3
向量和矩阵的代数表示
向量可以用于表示 一个 多元齐次方程的系数，也可以表示自变量
- w 1 x 1 + w 2 x 2 + w 3 x 3 = 0 w_1x_1+w_2x_2+w_3x_3=0 w1x1+w2x2+w3x3=0
那么这个多元齐次方程的系数，可以用向量 W → W^→ W→表示W = [ w 1 w 2 w 3 ] \begin{bmatrix} w_1\\ w_2\\ w_3\\ \end{bmatrix} w1w2w3 ，自变量标为X = [ x 1 x 2 x 3 ] \begin{bmatrix} x_1\\ x_2\\ x_3\\ \end{bmatrix} x1x2x3
如果有多个多元齐次方程，但系数可能只有一组，而自变量可能有多组数据，如下多个多元齐次方程
- w 1 x 11 + w 2 x 12 + w 3 x 13 = 0 w_1x_{11}+w_2x_{12}+w_3x_{13}=0 w1x11+w2x12+w3x13=0,自变量向量为X1 = [ x 11 x 12 x 13 ] \begin{bmatrix} x_{11}\\ x_{12}\\ x_{13}\\ \end{bmatrix} x11x12x13
- w 1 x 21 + w 2 x 22 + w 3 x 23 = 0 w_1x_{21}+w_2x_{22}+w_3x_{23}=0 w1x21+w2x22+w3x23=0,自变量向量X2 = [ x 21 x 22 x 23 ] \begin{bmatrix} x_{21}\\ x_{22}\\ x_{23}\\ \end{bmatrix} x21x22x23
- w 1 x 31 + w 2 x 32 + w 3 x 33 = 0 w_1x_{31}+w_2x_{32}+w_3x_{33}=0 w1x31+w2x32+w3x33=0,自变量向量X3 = [ x 31 x 32 x 33 ] \begin{bmatrix} x_{31}\\ x_{32}\\ x_{33}\\ \end{bmatrix} x31x32x33
系数只有一组，即W = [ w 1 w 2 w 3 ] \begin{bmatrix} w_1\\ w_2\\ w_3\\ \end{bmatrix} w1w2w3 ，自变量数据有多组，X = [ x 11 x 21 x 31 x 12 x 22 x 32 x 13 x 23 x 33 ] \begin{bmatrix} x_{11}&x_{21}&x_{31}\\ x_{12}&x_{22}&x_{32}\\ x_{13}&x_{23}&x_{33}\\ \end{bmatrix} x11x12x13x21x22x23x31x32x33
这时候，要表示多元齐次方程组的计算式，需要将向量W转置后，再与X相乘
即
W
T
X
=
[
w
1
w
2
w
3
]
[
x
11
x
21
x
31
x
12
x
22
x
32
x
13
x
23
x
33
]
W^TX=\begin{bmatrix} w_1&w_2&w_3\\ \end{bmatrix}\begin{bmatrix} x_{11}&x_{21}&x_{31}\\ x_{12}&x_{22}&x_{32}\\ x_{13}&x_{23}&x_{33}\\ \end{bmatrix}
WTX=[w1w2w3]
x11x12x13x21x22x23x31x32x33
这是一种基础的矩阵乘法的代数意义，系数可能只有一组
- w 1 x 11 + w 2 x 12 + w 3 x 13 = 0 w_1x_{11}+w_2x_{12}+w_3x_{13}=0 w1x11+w2x12+w3x13=0
- w 1 x 21 + w 2 x 22 + w 3 x 23 = 0 w_1x_{21}+w_2x_{22}+w_3x_{23}=0 w1x21+w2x22+w3x23=0
- w 1 x 31 + w 2 x 32 + w 3 x 33 = 0 w_1x_{31}+w_2x_{32}+w_3x_{33}=0 w1x31+w2x32+w3x33=0
还有另外一种进阶的矩阵乘法代数意义，就是系数可能有多组
| 第一组齐次方程 | 第二组齐次方程 |
|---|---|
| w 11 x 11 + w 12 x 12 + w 13 x 13 = 0 w_{11}x_{11}+w_{12}x_{12}+w_{13}x_{13}=0 w11x11+w12x12+w13x13=0 | w 21 x 11 + w 22 x 12 + w 23 x 13 = 0 w_{21}x_{11}+w_{22}x_{12}+w_{23}x_{13}=0 w21x11+w22x12+w23x13=0 |
| w 11 x 21 + w 12 x 22 + w 13 x 23 = 0 w_{11}x_{21}+w_{12}x_{22}+w_{13}x_{23}=0 w11x21+w12x22+w13x23=0 | w 21 x 21 + w 22 x 22 + w 23 x 23 = 0 w_{21}x_{21}+w_{22}x_{22}+w_{23}x_{23}=0 w21x21+w22x22+w23x23=0 |
| w 11 x 31 + w 12 x 32 + w 13 x 33 = 0 w_{11}x_{31}+w_{12}x_{32}+w_{13}x_{33}=0 w11x31+w12x32+w13x33=0 | w 21 x 31 + w 22 x 32 + w 23 x 33 = 0 w_{21}x_{31}+w_{22}x_{32}+w_{23}x_{33}=0 w21x31+w22x32+w23x33=0 |
| W1 = [ w 11 w 12 w 13 ] , X = [ x 11 x 21 x 31 x 12 x 22 x 32 x 13 x 23 x 33 ] \begin{bmatrix}w_{11}\\w_{12}\\w_{13}\\\end{bmatrix},X=\begin{bmatrix}x_{11}&x_{21}&x_{31}\\x_{12}&x_{22}&x_{32}\\x_{13}&x_{23}&x_{33}\\\end{bmatrix} w11w12w13 ,X= x11x12x13x21x22x23x31x32x33 | W2 = [ w 21 w 22 w 23 ] , X = [ x 11 x 21 x 31 x 12 x 22 x 32 x 13 x 23 x 33 ] \begin{bmatrix}w_{21}\\w_{22}\\w_{23}\end{bmatrix},X=\begin{bmatrix}x_{11}&x_{21}&x_{31}\\x_{12}&x_{22}&x_{32}\\x_{13}&x_{23}&x_{33}\\\end{bmatrix} w21w22w23 ,X= x11x12x13x21x22x23x31x32x33 |
W= [ w 11 w 21 w 12 w 22 w 13 w 23 ] \begin{bmatrix}w_{11}&w_{21}\\w_{12}&w_{22}\\w_{13}&w_{23}\\\end{bmatrix} w11w12w13w21w22w23 ， X = [ x 11 x 21 x 31 x 12 x 22 x 32 x 13 x 23 x 33 ] X=\begin{bmatrix}x_{11}&x_{21}&x_{31}\\x_{12}&x_{22}&x_{32}\\x_{13}&x_{23}&x_{33}\\\end{bmatrix} X= x11x12x13x21x22x23x31x32x33
要表示这两组方程，一样需要将W转置后，再与X相乘，
W
T
X
=
[
w
11
w
12
w
13
w
21
w
22
w
23
]
[
x
11
x
21
x
31
x
12
x
22
x
32
x
13
x
23
x
33
]
W^TX=\begin{bmatrix}w_{11}&w_{12}&w_{13}\\w_{21}&w_{22}&w_{23}\\\end{bmatrix}\begin{bmatrix}x_{11}&x_{21}&x_{31}\\x_{12}&x_{22}&x_{32}\\x_{13}&x_{23}&x_{33}\\\end{bmatrix}
WTX=[w11w21w12w22w13w23]
x11x12x13x21x22x23x31x32x33
最终得到的是2x3的矩阵，第一行表示第一组的齐次方程，第二行表示第二组的齐次方程
我常常迷糊的矩阵乘法，忽然变得眉目
向量和矩阵的几何表示
一维向量与矩阵
- 一维向量表示直线上的方向向量，例如x坐标方向上，x=3
二维向量与矩阵
- 二维向量表示XY平面上的方向向量，如
[
x
y
]
=
[
3
2
]
\begin{bmatrix} x\\ y\\ \end{bmatrix}=\begin{bmatrix} 3\\ 2\\ \end{bmatrix}
[xy]=[32]
- 二维矩阵，则表示多个二维向量的组合，如 [ x y ] : [ 3 3 5 2 4 9 ] \begin{bmatrix} x\\ y\\ \end{bmatrix}: \begin{bmatrix} 3&3&5\\ 2&4&9\\ \end{bmatrix} [xy]:[323459]，这是三个二维向量，组合成的矩阵
三维向量与矩阵
- 三维向量表示xyz空间上的方向向量 [ x y z ] = [ 0 1 1 ] \begin{bmatrix} x\\ y\\ z\\ \end{bmatrix}=\begin{bmatrix} 0\\ 1\\ 1\\ \end{bmatrix} xyz = 011
哭了，用上matplotlib吧
- 三维矩阵则表示在xyz空间上的多个向量组合，如 [ x y z ] ： [ 0 2 3 9 1 1 6 0 1 8 9 0 ] \begin{bmatrix} x\\ y\\ z\\ \end{bmatrix}：\begin{bmatrix} 0&2&3&9\\ 1&1&6&0\\ 1&8&9&0\\ \end{bmatrix} xyz ： 011218369900 ，这是4个三维向量组成的矩阵
向量和矩阵的乘法
向量乘法，一般指的是点乘，即
A =
[
a
1
a
2
a
3
]
\begin{bmatrix} a_1\\ a_2\\ a_3\\ \end{bmatrix}
a1a2a3
，B =
[
b
1
b
2
b
3
]
\begin{bmatrix} b_1\\ b_2\\ b_3\\ \end{bmatrix}
b1b2b3
，则
A
B
=
a
1
∗
b
1
+
a
2
∗
b
2
+
a
3
∗
b
3
AB = a_1*b_1+ a_2*b_2+ a_3*b_3
AB=a1∗b1+a2∗b2+a3∗b3
向量点乘的代数意义
我猜，向量乘法，可以看作是自变量系数和自变量数值的相乘再加和
即
y
=
a
1
x
1
+
a
2
x
2
+
a
3
x
3
y = a_1x_1+a_2x_2+a_3x_3
y=a1x1+a2x2+a3x3
A =
[
a
1
a
2
a
3
]
\begin{bmatrix} a_1\\ a_2\\ a_3\\ \end{bmatrix}
a1a2a3
，B =
[
x
1
x
2
x
3
]
\begin{bmatrix} x_1\\ x_2\\ x_3\\ \end{bmatrix}
x1x2x3
向量点乘的几何意义
向量点乘，是将一个向量，投影在另外一个向量上。
向量与矩阵的关系
矩阵的乘法
矩阵乘法的功能：伸缩
文章来源：https://uudwc.com/A/zkpn3
矩阵乘法功能：旋转
矩阵乘法功能：伸缩+旋转
首先，任何矩阵，都可以进行奇异值分解
M
=
U
Σ
V
T
,
其中，
U
和
V
都是对称矩阵，
Σ
是正交对角阵
M = UΣV^T,其中，U和V都是对称矩阵，Σ是正交对角阵
M=UΣVT,其中，U和V都是对称矩阵，Σ是正交对角阵文章来源地址https://uudwc.com/A/zkpn3
