有点名词党 奇异值的计算通常涉及矩阵的奇异值分解Singular Value Decomposition, SVD。奇异值分解是将一个矩形矩阵 ( A ) 分解为三个矩阵的乘积: [ A = U ΣVT] 其中: - ( U ) 是一个 ( m ×m ) 的正交矩阵,它的列向量是 ( A AT) 的特征向量。 - ( V ) 是一个 ( n ×n ) 的正交矩阵,它的列向量是 ( ATA
本文转载于陈靖博客http://blog.csdn.net/zhongkejingwang/article/details/43053513 在网上看到有很多文章介绍SVD的,讲的也都不错,但是感觉还是有需要补充的,特别是关于矩阵和映射之间的对应关系。前段时间看了国外的一篇文章,叫A Singularly Valuable Decomposition The SVD of a Ma
SVD 降维 相似度计算: 1.欧式距离 向量的范数2 2.皮尔逊相关系数 cov(X,Y)varxvary c o v ( X , Y ) v a r x v a r y \frac{cov_{(X,Y)}}{var{x} var{y}} 均值意义:样本集合的中间点 方差意义: 样本点的离散程度 协方差意义: 度量两个随机变量关系的统计量 度量各个维度偏离其均值的程度 协方差计