奇异值分解与协方差矩阵
时间: 2024-06-24 14:00:52 浏览: 261
奇异值分解,奇异值分解的矩阵
奇异值分解(Singular Value Decomposition, SVD)是一种线性代数的重要工具,用于将一个矩阵分解为三个更简单的矩阵的乘积。在处理数据降维、特征提取、以及数值计算中广泛应用。对于一个矩阵 \( A \) (通常是实数或复数矩阵),SVD 可以表示为:
\[ A = U \Sigma V^T \]
其中,
- \( U \) 是正交矩阵(行向量是左奇异向量),表示原始数据在新坐标系中的方向。
- \( \Sigma \) 是对角矩阵,对角线上的元素是奇异值,它们衡量了原始数据中各个方向的重要性。
- \( V \) 是另一个正交矩阵(列向量是右奇异向量),如果 \( A \) 是方阵,\( V \) 就等于 \( U \);如果不是方阵,\( V \) 反映的是数据投影到不同空间的旋转。
协方差矩阵(Covariance Matrix)则是描述一组随机变量之间线性相关性的矩阵。对于 n 维随机变量 \( X \) 的样本数据集 \( X_1, X_2, ..., X_m \),协方差矩阵 \( C \) 由以下元素构成:
\[ C_{ij} = \frac{1}{m-1} \sum_{k=1}^{m} (X_{ki} - \bar{X}_i)(X_{kj} - \bar{X}_j) \]
其中,\( \bar{X}_i \) 和 \( \bar{X}_j \) 分别是第 i 和第 j 个变量的样本均值。协方差矩阵是对称的,非对角线元素表示两个变量之间的相关性,对角线元素则为每个变量自身的方差。
阅读全文