共计 2547 个字符，预计需要花费 7 分钟才能阅读完成。
简介
奇怪值是矩阵中的一个十分重要的概念，个别是通过奇怪值合成的办法来失去的，奇怪值合成是线性代数和矩阵论中一种重要的矩阵合成法，在统计学和信号处理中十分的重要。
在理解奇怪值之前，让咱们先来看看特征值的概念。
相似矩阵
在线性代数中，相似矩阵是指存在类似关系的矩阵。设 A，B 为 n 阶矩阵，如果有 n 阶可逆矩阵 P 存在，使得 P -1AP=B，则称矩阵 A 与 B 类似，记为 A~B。
对角矩阵
对角矩阵 (diagonal matrix) 是一个主对角线之外的元素皆为 0 的矩阵，常写为 diag（a1，a2,…,an)。对角矩阵能够认为是矩阵中最简略的一种，值得一提的是：对角线上的元素能够为 0 或其余值，对角线上元素相等的对角矩阵称为 数量矩阵 ；对角线上元素全为 1 的对角矩阵称为 单位矩阵。对角矩阵的运算包含和、差运算、数乘运算、同阶对角阵的乘积运算，且后果仍为对角阵。
可对角化矩阵
可对角化矩阵是线性代数和矩阵论中重要的一类矩阵。如果一个方块矩阵 A 类似于对角矩阵，也就是说，如果存在一个可逆矩阵 P 使得 P −1AP 是对角矩阵，则它就被称为可对角化的。
特征值
设 A 为 n 阶矩阵，若存在常数 λ 及 n 维非零向量 x，使得 Ax=λx，则称 λ 是矩阵 A 的特征值，x 是 A 属于特征值 λ 的特征向量。
一个矩阵的一组特征向量是一组正交向量。
即特征向量被施以线性变换 A 只会使向量伸长或缩短而其方向不被扭转。
一个线性变换通常能够由其特征值和特征向量齐全形容。特色空间是雷同特征值的特征向量的汇合。
特色合成
特色合成（Eigendecomposition），又称谱合成（Spectral decomposition）是将矩阵合成为由其特征值和特征向量示意的矩阵之积的办法。须要留神只有对可对角化矩阵才能够施以特色合成。
令 A 是一个 N×N 的方阵，且有 N 个线性无关的特征向量 qi(i=1,…,N)。这样，A 能够被合成为: A= QΛQ-1
其中 Q 是 N×N 方阵，且其第 i 列为 A 的特征向量。如果 A 的所有特征向量用 x1,x2 … xm 来示意的话，那么 Q 能够示意为：$\left[x_1,x_2,…,x_m\right]$, 其中 x 是 n 维非零向量。
Λ 是对角矩阵，其对角线上的元素为对应的特征值，也即Λii=λi。也就是 $\left[\begin{matrix}λ_1 … 0\\… … …\\0 … λ_m \end{matrix}\right]$
这里须要留神只有可对角化矩阵才能够作特色合成。比方 $\left[\begin{matrix}11\\01 \end{matrix}\right]$ 不能被对角化，也就不能特色合成。
因为 A= QΛQ-1，能够看做 A 被合成为三个矩阵，也就是三个映射。
如果当初有一个向量 x，咱们能够得出上面的论断：
$Ax=QΛQ^{-1}x$
Q 是正交矩阵，正交阵的逆矩阵等于其转置, 所以 $Q^{-1}$ = $Q^T$.$Q^T$ 对 x 的变换是正交变换，它将 x 用新的坐标系来示意，这个坐标系就是 A 的所有正交的特征向量形成的坐标系。比方将 x 用 A 的所有特征向量示意为：
$x=a_1x_1+a_2x_2+…+a_mx_m$
则通过第一个变换就能够把 x 示意为 $[a_1 a_2 … a_m]^T$。
$QΛQ^{-1}x=QΛ\left[\begin{matrix}x_1^T\\x_2^T\\…\\…\\x_m^T \end{matrix}\right](a_1x_1+a_2x_2+a_3x_3+…+a_mx_m)=QΛ\left[\begin{matrix}a_1\\a_2\\…\\a_m \end{matrix}\right]$
而后，在新的坐标系示意下，由两头那个对角矩阵对新的向量坐标换，其后果就是将向量往各个轴方向拉伸或压缩:
$QΛ\left[\begin{matrix}a_1\\a_2\\…\\a_m \end{matrix}\right]=Q\left[\begin{matrix}λ_1 … 0\\… … …\\0 … λ_m \end{matrix}\right]\left[\begin{matrix}a_1\\a_2\\…\\a_m \end{matrix}\right]=Q\left[\begin{matrix}λ_1a_1\\λ_2a_2\\…\\λ_ma_m \end{matrix}\right]$
如果 A 不是满秩的话，那么就是说对角阵的对角线上元素存在 0，这时候就会导致维度进化，这样就会使映射后的向量落入 m 维空间的子空间中。
最初一个变换就是 Q 对拉伸或压缩后的向量做变换，因为 Q 和 $Q^{-1}$ 是互为逆矩阵，所以 Q 变换是 $Q^{-1}$ 变换的逆变换。
特征值的几何意义
一个矩阵乘以一个列向量相当于矩阵的列向量的线性组合。一个行向量乘以矩阵，相当于矩阵的行向量的线性组合。
所以向量乘以矩阵之后，相当于将这个向量进行了几何变换。
之前讲了 Λ 是对角矩阵，其对角线上的元素为对应的特征值，也即Λii=λi。也就是 $\left[\begin{matrix}λ_1 … 0\\… … …\\0 … λ_m \end{matrix}\right]$
这些特征值示意的是对向量做线性变换时候，各个变换方向的变换幅度。
奇怪值 Singular value
如果 A 是 m n 阶矩阵，q=min(m,n)，A A 的 q 个非负特征值的算术平方根叫作 A 的奇怪值。
奇怪值合成 SVD
特征值合成能够不便的提取矩阵的特色，然而前提是这个矩阵是一个方阵。如果是非方阵的状况下，就须要用到奇怪值合成了。先看下奇怪值合成的定义：
$A=UΣV^T$
其中 A 是指标要合成的 m n 的矩阵，U 是一个 n n 的方阵，Σ 是一个 n m 的矩阵，其非对角线上的元素都是 0。$V^T$ 是 V 的转置，也是一个 n n 的矩阵。
奇怪值跟特征值相似，在矩阵 Σ 中也是从大到小排列，而且奇怪值的缩小特地的快，在很多状况下，前 10% 甚至 1% 的奇怪值的和就占了全副的奇怪值之和的 99% 以上了。也就是说，咱们也能够用前 r 大的奇怪值来近似形容矩阵。r 是一个远小于 m、n 的数，这样就能够进行压缩矩阵。
通过奇怪值合成，咱们能够通过更加大量的数据来近似代替原矩阵。
本文已收录于 www.flydean.com
最艰深的解读，最粗浅的干货，最简洁的教程，泛滥你不晓得的小技巧等你来发现！
欢送关注我的公众号:「程序那些事」, 懂技术，更懂你！
