Máy tính Phân tích Giá trị Kỳ dị (SVD)

Chào mừng bạn đến với Máy tính phân tích giá trị kỳ dị (SVD), một công cụ đại số tuyến tính mạnh mẽ giúp phân rã bất kỳ ma trận nào thành các thành phần cơ bản của nó. SVD phân tích một ma trận A = UΣVᵀ và cung cấp các lời giải từng bước, trực quan hóa tương tác, phân tích hạng, số điều kiện, chất lượng xấp xỉ hạng thấp và tính toán giả nghịch đảo. Cho dù bạn đang học đại số tuyến tính, làm việc về học máy hay phân tích dữ liệu, máy tính này đều cung cấp khả năng phân rã ma trận cấp độ chuyên nghiệp.

Phân tích giá trị kỳ dị là gì?

Phân tích giá trị kỳ dị (SVD) là sự phân tách của bất kỳ ma trận m×n A nào thành ba ma trận:

Trong đó:

• A là ma trận m×n ban đầu
• U là ma trận trực giao m×m (các vectơ kỳ dị trái, các vectơ riêng của AAᵀ)
• Σ (Sigma) là ma trận đường chéo m×n với các giá trị kỳ dị không âm σ₁ ≥ σ₂ ≥ ... ≥ 0
• Vᵀ là ma trận trực giao n×n (các vectơ kỳ dị phải, các vectơ riêng của AᵀA)

Không giống như phân tích trị riêng, SVD luôn tồn tại cho mọi ma trận, bao gồm cả ma trận chữ nhật và ma trận suy biến. Tính phổ quát này làm cho nó trở thành một trong những phép phân tách quan trọng nhất trong toán học ứng dụng.

SVD được tính toán như thế nào

1. Lập AᵀA: Tính ma trận đối xứng n×n AᵀA
2. Tìm các trị riêng: Giải det(AᵀA − λI) = 0 để lấy các trị riêng λ₁ ≥ λ₂ ≥ ... ≥ 0
3. Các giá trị kỳ dị: σᵢ = √λᵢ (căn bậc hai của các trị riêng)
4. Các vectơ kỳ dị phải (V): Tìm các vectơ riêng của AᵀA, trực giao hóa chúng để lấy các cột của V
5. Các vectơ kỳ dị trái (U): Tính uᵢ = Avᵢ/σᵢ cho mỗi giá trị kỳ dị khác không, mở rộng thành một cơ sở trực chuẩn đầy đủ

Các thuộc tính chính

Hạng ma trận

Hạng của ma trận A bằng số lượng các giá trị kỳ dị khác không. Đây là cách ổn định nhất về mặt số học để xác định hạng, đáng tin cậy hơn nhiều so với phép khử hàng vốn có thể bị sai lệch do lỗi dấu phẩy động.

Số điều kiện

Số điều kiện đo lường mức độ nhạy cảm của hệ tuyến tính Ax = b đối với các nhiễu động. κ lớn cho thấy một ma trận xấu; κ = 1 là trường hợp lý tưởng (ma trận trực giao).

Các chuẩn ma trận qua SVD

• Chuẩn phổ (chuẩn 2): \(\|A\|_2 = \sigma_1\) — giá trị kỳ dị lớn nhất
• Chuẩn Frobenius: \(\|A\|_F = \sqrt{\sigma_1^2 + \sigma_2^2 + \cdots}\)
• Chuẩn hạt nhân (Nuclear norm): \(\|A\|_* = \sigma_1 + \sigma_2 + \cdots\) — tổng của tất cả các giá trị kỳ dị

Các ứng dụng của SVD

Xấp xỉ hạng thấp (Định lý Eckart–Young)

Định lý Eckart–Young–Mirsky phát biểu rằng xấp xỉ hạng k tốt nhất của A (trong chuẩn Frobenius hoặc chuẩn phổ) có được bằng cách chỉ giữ lại k giá trị kỳ dị lớn nhất:

Sai số xấp xỉ là: \(\|A - A_k\|_F = \sqrt{\sigma_{k+1}^2 + \cdots + \sigma_r^2}\)

SVD so với Phân tích trị riêng

Câu hỏi thường gặp

Phân tích giá trị kỳ dị (SVD) là gì?

Phân tích giá trị kỳ dị (SVD) là một phép phân rã ma trận giúp phân tách bất kỳ ma trận thực m×n A thành ba ma trận: A = UΣVᵀ, trong đó U là ma trận trực giao m×m của các vectơ kỳ dị trái, Σ là ma trận đường chéo m×n của các giá trị kỳ dị, và Vᵀ là ma trận trực giao n×n của các vectơ kỳ dị phải. SVD luôn tồn tại cho mọi ma trận.

Giá trị kỳ dị được sử dụng để làm gì?

Giá trị kỳ dị tiết lộ các thuộc tính cơ bản của ma trận: hạng (số lượng giá trị kỳ dị khác không), số điều kiện (tỷ lệ lớn nhất so với nhỏ nhất) và các chuẩn ma trận. Chúng được dùng trong nén dữ liệu (chỉ giữ lại các giá trị kỳ dị lớn nhất), phân tích thành phần chính (PCA), giảm nhiễu, hệ thống gợi ý và giải bài toán bình phương tối thiểu.

Sự khác biệt giữa SVD và phân tích trị riêng là gì?

Phân tích trị riêng chỉ hoạt động cho ma trận vuông và yêu cầu ma trận phải chéo hóa được. SVD hoạt động cho mọi ma trận m×n (kể cả ma trận chữ nhật) và luôn tồn tại. Đối với ma trận đối xứng xác định bán dương, SVD và phân tích trị riêng trùng nhau. SVD dùng hai cơ sở trực giao khác nhau (U và V), trong khi phân tích trị riêng dùng một.

SVD liên quan thế nào đến PCA?

PCA (Phân tích thành phần chính) được tính toán trực tiếp bằng SVD. Khi bạn trừ đi trung bình của ma trận dữ liệu X và tính SVD của nó là X = UΣVᵀ, các cột của V là các thành phần chính (hướng có phương sai lớn nhất), các giá trị kỳ dị trong Σ mã hóa độ lệch chuẩn theo từng thành phần, và UΣ cho dữ liệu được chiếu vào hệ tọa độ mới. Với N quan sát đã được định tâm (N > 1), Var(PCᵢ) = σᵢ²/(N−1), SD(PCᵢ) = σᵢ/√(N−1).

Xấp xỉ hạng thấp là gì?

Một xấp xỉ hạng k của ma trận A chỉ giữ lại k giá trị kỳ dị lớn nhất và các vectơ tương ứng: A_k = U_k Σ_k V_k^T. Theo định lý Eckart-Young, đây là xấp xỉ hạng k tốt nhất trong cả chuẩn Frobenius và chuẩn phổ. Đây là nền tảng của nén ảnh, phân tích ngữ nghĩa tiềm ẩn và giảm chiều dữ liệu.

Số điều kiện của ma trận là gì?

Số điều kiện κ(A) = σ_max / σ_min là tỷ lệ giữa giá trị kỳ dị lớn nhất và nhỏ nhất. Nó đo lường độ nhạy của nghiệm hệ tuyến tính Ax = b trước các biến động nhỏ. Số điều kiện lớn nghĩa là ma trận xấu và sai số nhỏ ở đầu vào có thể gây sai số lớn ở kết quả. Số điều kiện bằng 1 (ma trận trực giao) là lý tưởng.

Tài nguyên bổ sung

• Xấp xỉ hạng thấp - Wikipedia (Tiếng Anh)
• Giả nghịch đảo Moore-Penrose - Wikipedia (Tiếng Anh)