AITerms 登入
數學基礎機器學習資料處理

奇異值分解(Singular Value Decomposition)是什麼?

奇異值分解(SVD)是一種將矩陣分解為三個矩陣乘積的技術,廣泛應用於降維、推薦系統和資料壓縮等領域。

同主題的術語機器學習資料處理

完整定義

奇異值分解(SVD)是一種重要的矩陣分解方法,它將一個矩陣分解為三個矩陣的乘積:U、Σ 和 VT。其中,U 和 V 是正交矩陣,Σ 是一個對角矩陣,其對角線上的元素稱為奇異值。SVD 在資料降維、推薦系統、影像處理等領域有廣泛應用。

白話說明

你有沒有在你面對一個很大的矩陣,想把它壓縮、找結構或去雜訊,發現只看表面常常不夠?

你可以把它想成把矩陣拆成三塊,抓出真正重要的方向和權重。

很多降維、壓縮和推薦問題,都會先靠它找出低秩結構。

記住這句

把矩陣拆成三部分,找出重要方向,就是 SVD。

比喻:SVD 就像把一幅複雜的畫(矩陣)拆解成幾張基本圖形(三個矩陣)的組合 -- 這樣你就能看清楚這幅畫有哪些主要的構成元素,甚至可以只用少數幾個最重要的元素,就能大致還原原圖,達到簡化和壓縮的效果。

容易混淆

主成分分析 (PCA)

PCA 像找到資料中最重要的幾個「方向」來投影,有點像從特定角度看資料。

SVD 則更像是一種底層的「萬能分解器」,它能把任何矩陣都拆開,PCA 其實就是 SVD 的一種應用,SVD 功能更廣泛,能處理更多不同類型的問題。

實際案例

圖片壓縮會保留主要奇異值,丟掉不重要的部分,檔案就變小。

推薦系統可用矩陣分解找出使用者與商品的潛在偏好。

演算法與應用

SVD 會把矩陣分成 U、Σ、V^T,奇異值越大代表那個方向越重要。

截斷奇異值後,常能得到低秩近似、降噪和特徵抽取。

情境判斷

Q1(直覺題): 如果你只想把資料壓縮得更小,SVD 有幫助嗎?

有。保留主要奇異值就能做近似壓縮。

Q2(判斷題): 如果資料本身很稀疏,還能直接用 SVD 嗎?

看情況。稀疏矩陣常需要配合更省記憶體的演算法。

常見問題

出現在這些考古題

官方公告試題的逐題解析裡,這 1 題把奇異值分解列為延伸術語。

相關術語

本頁內容有提到,或屬於同一組主題的術語

來源

參考來源:en.wikipedia.org

其他格式:Markdown 版本