奇异值分解（SVD）简述

最新推荐文章于 2023-08-12 22:47:42 发布

鹏鹏哥哥的小红帽

最新推荐文章于 2023-08-12 22:47:42 发布

阅读量2.1k

点赞数 3

分类专栏：鹏鹏哥哥的机器学习文章标签：机器学习 SVD 奇异值分解

鹏鹏哥哥的机器学习专栏收录该内容

52 篇文章

订阅专栏

奇异值分解

SVD思维导图

奇异值分解是什么

奇异值分解（Singular Value Decomposition，SVD），是一种提取信息的方法。比如有一份记录用户关于餐馆观点的数据，要对其进行处理分析，提取背后的因素，这个因素可能是餐馆的类别，烹饪配料等，然后利用这些因素估计人们对没有去过的餐馆的看法，从而进行推荐，提取这些信息的方法就叫奇异值分解法。

奇异值分解的作用是什么

奇异值分解能够简约数据，去除噪声和冗余数据。其实也是一种降维方法，将数据映射到低维空间。看到这里其实就会想，它和主成分分析（PCA）有什么联系或者差异呢？奇异值分解和主成分分析一样，也是告诉我们数据中重要特征，奇异值是数据矩阵乘以该矩阵的转置的特征值的平方根。

奇异值分解的数学原理

前面说的关于奇异值分解，从数学的角度讲，它就是一种矩阵分解法。

什么是矩阵分解

顾名思义，矩阵分解就是把一个大矩阵分解成易于处理的形式，这种形式可能是两个或多个矩阵的乘积，就如同我们在代数中的因子分解，这种因子分解在数学里便于我们计算，赋予现实的含义，给一个真实的应用背景，就能方便我们解决生活中遇到的问题。

SDV是如何分解矩阵的

SVD分解矩阵图
SVD将原始的数据集矩阵Data分解成三个矩阵：U、Sigma、VT，如果原始矩阵是m行n列，那么U、Sigma和VT分别就是m行m列、m行n列、n行n列。比较值得一提的是矩阵Sigma，该矩阵只有对角元素，其他元素均为0，有一个惯例是：Sigma的对角元素是从大到小排列的。这些对角元素就称为奇异值。在科学和工程中，一直存在一个普遍事实：在某个奇异值的数目r之后，其他的奇异值均置0，也就是我们仅保留r个重要特征，其余特征都是噪声或者冗余特征。那么问题来了，这个r到底是多少？如何选取呢？确定要保留的奇异值个数有很多启发式的策略，其中一个典型的做法就是保留矩阵90%的能量信息。为了计算能量信息，将所有的奇异值求平均和，直到累加到总值的90%为止。另一个启发式策略是当矩阵有上万个奇异值时，保留前面的2000个或3000个。其实这两种方法要想为什么的话可能就涉及到繁杂的数学证明了，每一个为什么的地方都有可能有创新点，留着有灵感的时候深入思考吧。

一个用例理解SVD

比如给了一些用户和菜系，如下面的矩阵，这个矩阵的值代表了用户对吃过的菜系的评分，没吃过的评分为0，要给这些用户推荐几个他没吃过的菜系。

用户和菜系

拿到这个问题，最直观的一个思路流程就是：计算菜系的相似度->结合评分->对没吃过的菜系计算预测评分->预测评分排序->推荐前x个菜。
这也是简单版本的推荐系统的程序流程，计算相似度有欧式距离、皮尔逊相关系数和余弦相似度等常用计算方法。SVD做的改进就是将矩阵分解，从数据中构建出一个主题空间，再在该主题空间下计算相似度，提高了推荐效果（但是SVD会降低程序的速度，尤其是大规模数据集中，这一点以后再谈）。
在上例中，对数据矩阵进行SVD处理，会得到两个奇异值。因此，有两个概念或主题与此数据集相关联，比如我们基于每个组的共同特征来命名，可能是美式BBQ和日式食品这二维（这两个维度是我们通过分析数据得到的，在生活中，我们一看那些菜就发现菜是有类型的，我们按照类型定相似度，进行推荐，奇异值是我生活的经验映射在数学空间的一种体现，来自于数学角度的解释，是巧合也是必然），如何将原始数据变换到这二维呢？V^T矩阵会将用户映射到BBQ／日式食品空间，U矩阵会将菜系映射到BBQ/日式食品空间，在这个空间下求的相似度，然后进行后续流程，实现推荐。详细的推荐系统实现会在下一篇中介绍。

在Python中如何使用SVD

Numpy线性代数库中有一个实现SVD的方法，可以直接拿来用。具体SVD是如何用程序实现的我打算专门写一篇程序实现的介绍，也包括比如特征值到底怎么求的等等方法。这里就简介调用方式。

import numpy as np
def load_data():
    return [[0,0,0,2,2],
                [0,0,0,3,3],
                [0,0,0,1,1],
                [1,1,1,0,0],
                [2,2,2,0,0],
                [5,5,5,0,0],
                [1,1,1,0,0]]
data = load_data()
u, sigma, vt = np.linalg.svd(data)
print(sigma)

运行结果如下：

[  9.64365076e+00   5.29150262e+00   8.36478329e-16   6.91811207e-17
   3.04963694e-34]

可以发现前两个值比后三个值大的多，所以可以取这两个奇异值，把其余三个置0。对于Sigma矩阵为什么长成行向量的样子，是Python内部的机制，为了节省空间，因为它除了对角线都是0，记着Sigma是个矩阵就好。