详情请见下载资源处，请搜索 《每天进步一点点《SVD学习》.docx》
一：一些搜罗的预备知识（搜罗的）
1.1：特征值和特征向量
矩阵：
1）是一堆建立了某种运算时识别规则的数字
2）是一列一列的列向量。或者是一行一行的行向量
3）可以代表是一个图像，每一个元素值都是一个像素值范围在（0~255）
4）是一个线性变换，将一组或者一个向量变换成另一组或一个向量。这可还可以理解成是空间几何中的坐标/向量变换。
1.2：矩阵的本质：
矩阵本质上是线性变换，在空间中代表的某个基-坐标系/向量的线性转变，可以使缩放，旋转，投影。
1.3：特征值分解和奇异值分解：都是给一个矩阵(线性变换)找一组特殊的基
• 特征值分解：找到了特征向量这一组基，在这组基下该线性变换只有缩放效果
• 奇异值分解(SVD)：则是找到两组基，从一组基到另一组的线性变换的旋转、缩放、投影三种功能独立地展示出来了
1.4：特征值分解-方阵
• 只有方阵才能进行特征值分解
• 奇异值和特征值的重要意义相似，都是为了提取出矩阵的主要特征。
• 特征值的本质：
• 特征值分解：把方阵分解为缩放矩阵 + 特征向量矩阵，没有旋转或旋转角度为0
• 特征值-变化的主次：如果我们想要描述好一个变换，那我们就描述好这个变换主要的变化方向就好了。来看看特征值分解的式子，分解得到的矩阵是一个对角阵，里面的特征值是由大到小排列的，这些特征值所对应的特征向量就是描述这个矩阵变化方向（从主要的变化到次要的变化排列）
• 高维线性变换：当矩阵是高维的情况下，那么这个矩阵就是高维空间下的一个线性变换，这个线性变化可能没法通过图片来表示，但是可以想象，这个变换也同样有很多的变换方向，我们通过特征值分解得到的前N个特征向量，那么就对应了这个矩阵最主要的N个变化方向。我们利用这前N个变化方向，就可以近似这个矩阵（变换）。也就是之前说的：提取这个矩阵最重要的特征。
• 特征值分解总结：特征值分解可以得到：
• 特征值：特征值表示的是这个特征到底有多重要
• 特征向量：而特征向量表示这个特征是什么，可以将每一个特征向量理解为一个线性的子空间，我们可以利用这些线性的子空间干很多的事情。
• 特征值分解的局限：特征值分解也有很多的局限，比如说变换的矩阵必须是方阵。
1.4.1：一般方阵的分解（相似对角化）
• 设A∈Rn×n，则A可表示为：
• X的列：为A的特征向量。跟排列顺序无关，只要对应相应的∧即可。
• ∧为对角矩阵：对角线上的值为A的特征值，一般习惯上按从大到小的顺序排列，对应于也会调整P中各个 特征向量的位置。
• 一般矩阵不同特征值对应的特征向量是线性无关的。
1.4.2：对称实数方阵的分解（合同）
• 设A∈Rn×n，且是对称矩阵，则S可表示为：
• U的列：为S的单位正交特征向量，即U是正交矩阵（列/行向量正交性、归一化，且
），对称矩阵不同特征值对应的特征向量是正交的，如果出现重根，则不一定会正交。
• ∧为对角矩阵：对角线上的值为A的特征值，按从大到小的顺序排列。
• U就是矩阵A所定义的坐标系：U的n个列向量组成A的一个完备的标准正交特征向量系。
1.5：奇异值分解(SVD) - 非方阵
1.5.1：SVD定义
• 只有非方阵才能进行奇异值分解
• SVD分解：把矩阵分解为缩放矩阵+旋转矩阵+特征向量矩阵
• A的非0奇异值的个数等于它的秩r
• 设
A∈Rm×nA∈Rm×n，且rank(A)rank(A) = rr (rr > 0)，则矩阵A的奇异值分解(SVD)可表示为：
U和V都为正交矩阵
• 几何含义：
• 表示找到了U和V这样两组基：A矩阵的作用是将一个向量从V这组正交基向量的空间旋转到U这组正交基向量的空间，并对每个方向进行了一定的缩放(由Σ决定），缩放因子就是各个奇异值。如果V的维度比U 大，则表示还进行了投影。
• 奇异值分解：将一个矩阵原本混合在一起的三种作用效果，分解出来了。
1.5.2：SVD分解图示
奇异值σ跟特征值类似，在矩阵Σ中也是从大到小排列，而且σ的减少特别的快，在很多情况下，前10%甚至1%的奇异值的和就占了全部的奇异值之和的99%以上了。也就是说，我们也可以用前k个大的奇异值来近似描述矩阵，这里定义一下部分奇异值分解：
A m×n ≈ U m×k * Σ k×k * VT k×n
右边的三个矩阵相乘的结果将会是一个接近于A的矩阵，在这儿，k越接近于n，则相乘的结果越接近于A。而这三个矩阵的面积之和（在存储观点来说，矩阵面积越小，存储量就越小）要远远小于原始的矩阵A，我们如果想要压缩空间来表示原矩阵A，我们存下这里的三个矩阵：U、Σ、V就好了。
二：特征值/特征向量分解 && SVD分解的数学推理过程
2.1 ：特征值/特征向量分解（相似对角化）（原创的）
因为：
A * vi = vi * λi
A = vi * λi * vi-1
以此类推：可得
A * v1 = v1 * λ1
A * v2 = v2 * λ2
A * v3 = v3 * λ3
。。。。。。。。
A * vn = vn * λn
将上述结果向量化处理，令
（A *v1， Av2， Av3…… A *vn）= （λ1v1，λ2v2，λ3v3…… λnvn）
A（v1， v2， v3……vn）= （v1， v2， v3……vn）Diag(λ1, λ2, λ3 …. λn)
整理得
V = (v1, v2, v3 …. vn) 特征向量组
∧= Diag(λ1, λ2, λ3 …. λn) 对角矩阵，对角线上是特征值，其他元素为0
相似对角化。
A = V∧V-1
λi和 vi 的顺序无关，一般习惯上按照特征值从大到小的顺序，可以看到多个主要的特征和特征值，然后选取主要的特征值和特征向量即可约等于原矩阵
2.2 ：SVD分解（合同对角化）
非方阵，无法进行特征值和特征向量分解
假设 A=UΣVT ， 其中U和V都是正交矩阵（PP-1=E; P-1 = P T），正交矩阵具有几何不变性。
1：
AAT = UΣVT（UΣVT）T = UΣVTVΣTUT=UΣΣTUT
两边右乘U得，AATU = UΣΣTUTU = UΣΣT
经观察：（AAT）U = U（ΣΣT），所以U 是A* AT的特征向量组，ΣΣT是A* AT的特征值，在对角线上。因此，Σ是A* AT的特征值的开根号值。
U成为左奇异矩阵，正交的。
与顺序无关，一般习惯上按照特征值从大到小的顺序，可以看到多个主要的特征和特征值。
2：
AT* A =（UΣVT）T * UΣVT = VΣTUT* UΣVT =VΣTΣVT
两边右乘V得，AT* AV = VΣTΣVT V = VΣTΣ
经观察：（AT* A）V= V（ΣTΣ），所以V 是AT* A的特征向量组，ΣTΣ是AT* A的特征值，在对角线上。因此，Σ是AT* A的特征值的开根号值。
V成为右奇异矩阵，正交的。
与顺序无关，一般习惯上按照特征值从大到小的顺序，可以看到多个主要的特征和特征值。
3：A=UΣVT
两边同时乘以V得
AV = UΣVTV = UΣ ====》 AV = UΣ
具有以下特征。主要是利用正交性，和特征值的大小排列，得到主要的特征，用于压缩和降维。下一章节介绍降维。
奇异值σ跟特征值类似，在矩阵Σ中也是从大到小排列，而且σ的减少特别的快，在很多情况下，前10%甚至1%的奇异值的和就占了全部的奇异值之和的99%以上了。也就是说，我们也可以用前k个大的奇异值来近似描述矩阵，这里定义一下部分奇异值分解：
A m×n ≈ U m×k * Σ k×k * VT k×n
右边的三个矩阵相乘的结果将会是一个接近于A的矩阵，在这儿，k越接近于n，则相乘的结果越接近于A。而这三个矩阵的面积之和（在存储观点来说，矩阵面积越小，存储量就越小）要远远小于原始的矩阵A，我们如果想要压缩空间来表示原矩阵A，我们存下这里的三个矩阵：U、Σ、V就好了。
如果觉得《每天进步一点点《SVD学习》》对你有帮助，请点赞、收藏，并留下你的观点哦！
