目录Python全系列 教程
3567个小节阅读：5931.6k
目录
鸿蒙应用开发
C语言快速入门
JAVA全系列 教程
面向对象的程序设计语言
Python全系列 教程
Python3.x版本，未来主流的版本
人工智能 教程
顺势而为，AI创新未来
大厂算法 教程
算法，程序员自我提升必经之路
C++ 教程
一门通用计算机编程语言
微服务 教程
目前业界流行的框架组合
web前端全系列 教程
通向WEB技术世界的钥匙
大数据全系列 教程
站在云端操控万千数据
AIGC全能工具班
A A
White Night
奇异值分解（Singular Value Decomposition），是在机器学习领域广泛应用的算法，
是很多机器学习算法的基石。
矩阵的奇异值分解是指，将一个非零的mxn实矩阵A，A∈R^mxn^，表示为以下三个实矩
阵乘积形式的运算，即进行矩阵的因子分解：
其中，U是m阶正交矩阵，V是n阶正交矩阵，∑是由降序排列的非负的对角线元素组成的mxn矩形对角矩阵（注意这里Σ并不是一个方阵，而是 m*n 的矩阵），满足：
σ~i~称为矩阵A的奇异值，U的列向量称为左奇异向量；V的列向量称为右奇异向量
注意
特征值分解只能针对于方阵而言，而奇异值分解可以应用于任意形状矩阵
在实际应用中，你将观察到的只有前几个很大的奇异值。其余的奇异值接近于零。
因此，可以忽略除前几个之外而不会丢失大量信息。
图片压缩利用了在SVD之后仅获得的一些奇异值很大的原理，它将图像的大小(以字节为
单位)最小化到可接受的质量水平。这意味着你可以在相同磁盘空间中存储更多图像。
SVD分解允许我们将原始矩阵表示为低秩矩阵的线性组合。
1. SVD分解针对的是下列哪种类型的矩阵：
A 方阵
B 对称矩阵
C 单位矩阵
D 任意形状矩阵
2. 关于SVD分解的应用，下列说法正确的是:
A 奇异值越小包含的信息越多
B SVD分解允许我们将原始矩阵表示为低秩矩阵的线性组合
C SVD无法应用于图像压缩
D 以上说法均不正确
1=>D 2=>B
