内容简介:特征向量:就是变换以后仍然保持相同方向的向量一般来说,理解矩阵变换可以有两种方式,一种是矩阵的列看出变换后的基向量来表示:第二种是脱离固定坐标系,以特征值和特征向量的方式来理解它:
特征向量:就是变换以后仍然保持相同方向的向量
一般来说,理解矩阵变换可以有两种方式,一种是矩阵的列看出变换后的基向量来表示:
第二种是脱离固定坐标系,以特征值和特征向量的方式来理解它:
求解特征值和特征向量
-
特征向量的代数上含义是:将矩阵乘法转换为数乘操作;
-
特征向量的几何含义是:特征向量通过方阵A变换只进行伸缩,而保持特征向量的方向不变。
其中 λ 可以由常数值转化为矩阵形式 所以式子变为: 代入具体例子
当v为零向量时,等式一定成立,但我们需要求非零解v。假设为为下图的黄线:
当 行列式为0时,空间被压缩成一条直线时
假设 所以求解步骤为:
求得λ代入到式子中可以得到特征向量。
特征基和对角矩阵
现在讨论基向量和特征向量完全相同时的情况:
这样的矩阵叫做对角矩阵,且对角线的值就是特征值:
这种矩阵有一个优势,就是计算十分简便:
一般来说对角矩阵实际情况中很难出现,所以我们需要构造这样的矩阵,假设矩阵有好多个特征向量,可以构成特征空间。 然后使用基变换矩阵
这种新的特征矩阵,对角线就是特征值,且一定是对角矩阵。
特征值分解
特征值分解可以得到特征值与特征向量,特征值表示的是这个特征到底有多重要,而特征向量表示这个特征是什么
在机器学习特征提取中,意思就是最大特征值对应的特征向量方向上包含最多的信息量,如果某几个特征值很小,说明这几个方向信息量很小,可以用来降维,也就是删除小特征值对应方向的数据,只保留大特征值方向对应的数据,这样做以后数据量减小,但有用信息量变化不大,PCA降维就是基于这种思路。
奇异值
特征值及特征值分解都是针对方阵而言,现实世界中,我们看到的大部分矩阵不是方阵,比如每道数据有M个点,一共采集了N道数据,这样就形成了一个N*M的矩阵,那么怎样才能像方阵一样提取出它的特征,以及特征的重要性。
奇异值分解就是来干这个事情的。奇异值相当于方阵中的特征值,奇异值分解相当于方阵中的特征值分解。
奇异值分解SVD
U 矩阵(左奇异矩阵)的列向量分别是u1,u2( 的特征向量);
Σ是除了主对角线上的元素以外全为0,主对角线上的每个元素都称为奇异值
V矩阵(右奇异矩阵)的列向量分别是v1,v2( 的特征向量)。
V表示了原始域的标准正交基,U表示经过M 变换后的co-domain的标准正交基,Σ表示了V 中的向量与u中相对应向量之间的关系,即协方差,位于对角线上的元素被称为奇异值。
以上就是本文的全部内容,希望本文的内容对大家的学习或者工作能带来一定的帮助,也希望大家多多支持 码农网
猜你喜欢:本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。
结构化计算机组成
Andrew S.Tanenbaum / 刘卫东 / 机械工业出版社 / 2001-10-1 / 46.00
AndrewcS.Tanenbaum获得过美国麻省理工学院的理学学士学位和加利福尼亚大学伯克利分校的哲学博士学位,目前是荷兰阿姆斯特丹Vrije大学计算机科学系的教授,并领导着一个计算机系统的研究小组.同时,他还是一所计算与图像处理学院的院长,这是由几所大学合作成立的研究生院.尽管社会工作很多,但他并没有中断学术研究. 多年来,他在编译技术.操作系统.网络及局域分布式系统方面进行了大量的一起来看看 《结构化计算机组成》 这本书的介绍吧!