Kalkulator Rozkładu według Wartości Osobliwych (SVD)

Witaj w kalkulatorze rozkładu według wartości osobliwych (SVD), potężnym narzędziu algebry liniowej, które rozkłada dowolną macierz na jej fundamentalne komponenty. SVD faktoryzuje macierz A = UΣVᵀ i zapewnia rozwiązania krok po kroku, interaktywne wizualizacje, analizę rzędu, wskaźnik uwarunkowania, jakość aproksymacji niskorzędowej oraz obliczanie pseudoodwrotności. Niezależnie od tego, czy studiujesz algebrę liniową, pracujesz nad uczeniem maszynowym, czy analizujesz dane, ten kalkulator zapewnia profesjonalną dekompozycję macierzy.

Co to jest rozkład według wartości osobliwych?

Rozkład według wartości osobliwych (SVD) to faktoryzacja dowolnej macierzy A o wymiarach m×n na trzy macierze:

Gdzie:

• A to oryginalna macierz m×n
• U to macierz ortogonalna m×m (lewe wektory osobliwe, wektory własne macierzy AAᵀ)
• Σ (Sigma) to macierz diagonalna m×n z nieujemnymi wartościami osobliwymi σ₁ ≥ σ₂ ≥ ... ≥ 0
• Vᵀ to macierz ortogonalna n×n (prawe wektory osobliwe, wektory własne macierzy AᵀA)

W przeciwieństwie do dekompozycji na wartości własne, SVD istnieje zawsze dla dowolnej macierzy, w tym macierzy prostokątnych i osobliwych. Ta uniwersalność czyni go jedną z najważniejszych faktoryzacji w matematyce stosowanej.

Jak oblicza się SVD

1. Utwórz AᵀA: Oblicz n×n symetryczną macierz AᵀA
2. Znajdź wartości własne: Rozwiąż det(AᵀA − λI) = 0, aby otrzymać wartości własne λ₁ ≥ λ₂ ≥ ... ≥ 0
3. Wartości osobliwe: σᵢ = √λᵢ (pierwiastki kwadratowe z wartości własnych)
4. Prawe wektory osobliwe (V): Znajdź wektory własne AᵀA, zortonormalizuj je, aby otrzymać kolumny V
5. Lewe wektory osobliwe (U): Oblicz uᵢ = Avᵢ/σᵢ dla każdej niezerowej wartości osobliwej, rozszerz do pełnej bazy ortonormalnej

Kluczowe właściwości

Rząd macierzy

Rząd macierzy A równa się liczbie niezerowych wartości osobliwych. Jest to najbardziej stabilny numerycznie sposób wyznaczania rzędu, znacznie bardziej niezawodny niż eliminacja Gaussa, która może zawodzić przez błędy zmiennoprzecinkowe.

Wskaźnik uwarunkowania

Wskaźnik uwarunkowania mierzy, jak wrażliwy na zaburzenia jest układ liniowy Ax = b. Duże κ wskazuje na macierz źle uwarunkowaną; κ = 1 to przypadek idealny (macierze ortogonalne).

Normy macierzy poprzez SVD

• Norma spektralna (2-norma): \(\|A\|_2 = \sigma_1\) — największa wartość osobliwa
• Norma Frobeniusa: \(\|A\|_F = \sqrt{\sigma_1^2 + \sigma_2^2 + \cdots}\)
• Norma nuklearna: \(\|A\|_* = \sigma_1 + \sigma_2 + \cdots\) — suma wszystkich wartości osobliwych

Zastosowania SVD

Aproksymacja niskorzędowa (Twierdzenie Eckarta–Younga)

Twierdzenie Eckarta–Younga–Mirsky'ego głosi, że najlepszą aproksymację macierzy A rzędu k (w normie Frobeniusa lub spektralnej) otrzymuje się poprzez zachowanie tylko k największych wartości osobliwych:

Błąd aproksymacji wynosi: \(\|A - A_k\|_F = \sqrt{\sigma_{k+1}^2 + \cdots + \sigma_r^2}\)

SVD a dekompozycja na wartości własne

Często zadawane pytania

Co to jest rozkład według wartości osobliwych (SVD)?

Rozkład według wartości osobliwych (SVD) to faktoryzacja macierzy, która rozkłada dowolną rzeczywistą macierz A o wymiarach m×n na trzy macierze: A = UΣVᵀ, gdzie U to macierz ortogonalna m×m lewych wektorów osobliwych, Σ to macierz diagonalna m×n wartości osobliwych, a Vᵀ to macierz ortogonalna n×n prawych wektorów osobliwych. SVD istnieje zawsze dla każdej macierzy.

Do czego służą wartości osobliwe?

Wartości osobliwe ujawniają fundamentalne właściwości macierzy: rząd (liczba niezerowych wartości osobliwych), wskaźnik uwarunkowania (stosunek największej do najmniejszej) oraz normy macierzy. Są szeroko stosowane w kompresji danych (zachowanie tylko największych wartości osobliwych), analizie głównych składowych (PCA), redukcji szumów, systemach rekomendacyjnych i rozwiązywaniu problemów najmniejszych kwadratów.

Jaka jest różnica między SVD a dekompozycją na wartości własne?

Dekompozycja na wartości własne działa tylko dla macierzy kwadratowych i wymaga, aby macierz była diagonalizowalna. SVD działa dla dowolnej macierzy m×n (w tym prostokątnych) i istnieje zawsze. Dla symetrycznej macierzy dodatnio półokreślonej SVD i dekompozycja na wartości własne pokrywają się. SVD wykorzystuje dwie różne bazy ortogonalne (U i V), podczas gdy dekompozycja na wartości własne wykorzystuje jedną.

Jak SVD ma się do PCA?

PCA (Analiza Głównych Składowych) jest bezpośrednio obliczana przy użyciu SVD. Po wycentrowaniu macierzy danych X i obliczeniu jej SVD jako X = UΣVᵀ, kolumny V są głównymi składowymi (kierunkami maksymalnej wariancji), wartości osobliwe w Σ kodują odchylenia standardowe wzdłuż każdej składowej, a UΣ daje rzutowane dane w nowym układzie współrzędnych. Dla N wycentrowanych obserwacji (N > 1): Var(PCᵢ) = σᵢ²/(N−1), SD(PCᵢ) = σᵢ/√(N−1).

Co to jest aproksymacja niskorzędowa?

Aproksymacja macierzy A rzędu k zachowuje tylko k największych wartości osobliwych i odpowiadające im wektory: A_k = U_k Σ_k V_k^T. Zgodnie z twierdzeniem Eckarta-Younga jest to najlepsza aproksymacja rzędu k zarówno w normie Frobeniusa, jak i spektralnej. Jest to fundament matematyczny kompresji obrazu, utajonej analizy semantycznej i redukcji wymiarowości.

Co to jest wskaźnik uwarunkowania macierzy?

Wskaźnik uwarunkowania κ(A) = σ_max / σ_min to stosunek największej do najmniejszej wartości osobliwej. Mierzy on wrażliwość rozwiązania układu liniowego Ax = b na zaburzenia. Duży wskaźnik uwarunkowania oznacza, że macierz jest źle uwarunkowana, a małe błędy wejściowe mogą powodować duże błędy w rozwiązaniu. Wskaźnik równy 1 (macierz ortogonalna) jest idealny.

Dodatkowe zasoby

• Aproksymacja niskorzędowa - Wikipedia (EN)
• Pseudoodwrotność Moore'a-Penrose'a - Wikipedia (EN)