当前位置：首页 > article >正文

SVD降维

article 2024/11/13 12:10:27

文章目录

一、SVD降维的基本原理
二、SVD降维的步骤
三、SVD降维的优点
四、SVD降维的应用
五、代码应用
六、SVD降维的局限性

一、SVD降维的基本原理

SVD是线性代数中的一种技术，它将一个矩阵A分解为三个矩阵的乘积：A = UΣV^T。其中，U和V是正交矩阵，Σ是对角矩阵，对角线上的元素称为奇异值。这些奇异值表示了矩阵A在各个方向上的“重要性”或“能量”。

在降维过程中，SVD通过保留矩阵A中最大的几个奇异值，并忽略其他较小的奇异值，来近似地重构原始矩阵。这样做可以在保留数据主要信息的同时，减少数据的维度。

二、SVD降维的步骤

计算SVD：首先，对原始数据矩阵A进行SVD分解，得到矩阵U、Σ和V^T。
选择奇异值：根据需要保留的信息量或数据特征，选择Σ中前k个最大的奇异值。这一步是关键，因为它决定了降维后的数据维度和保留的信息量。
重构矩阵：使用选定的奇异值和对应的U、V^T的子矩阵，重构出一个近似于原始矩阵A但维度更低的矩阵A’。

三、SVD降维的优点

简化数据：通过去除不重要的特征，简化了数据表示，便于后续处理和分析。
去除噪声：较小的奇异值通常与噪声相关，因此通过忽略这些奇异值，可以在一定程度上去除数据中的噪声。
提高算法性能：降维后的数据具有更低的维度，可以减少计算量和存储需求，从而提高算法的性能。

四、SVD降维的应用

SVD降维在多个领域都有广泛的应用，包括但不限于：

推荐系统：在推荐系统中，SVD可以用于构建用户或物品的隐式特征向量，从而计算用户或物品之间的相似度。
图像处理：SVD可以用于图像压缩和去噪。通过保留图像中的主要特征（即较大的奇异值），可以在保持图像质量的同时减少数据量。
文本挖掘：SVD可以用于提取文本数据中的主题或潜在语义结构，帮助理解和分析大量文本数据。

五、代码应用

import numpy as np
from PIL import Image
import matplotlib.pyplot as plt


def pic_compress(k, pic_array):
    global u, sigma, vt, sig, new_pic

    u, sigma, vt = np.linalg.svd(pic_array)  # 进行奇异分解
    sig = np.eye(k) * sigma[:k]  # np.eye用于生成一个单位矩阵
    new_pic = np.dot(np.dot(u[:, :k], sig), vt[:k, :])  # np.dot用于矩阵的乘法运算
    size = u.shape[0] * k + sig.shape[1] + k * vt.shape[1]
    return new_pic, size

img = Image.open("lf.jpg")
ori_img = np.array(img)
new_img, size = pic_compress(100, ori_img)  # 压缩的维度
print("original size:" + str(ori_img.shape[0] * ori_img.shape[1]))
print("compress size:" + str(size))
fig, ax = plt.subplots(1, 2)
ax[0].imshow(ori_img, cmap='gray')
ax[0].set_title("before compress")
ax[1].imshow(new_img, cmap='gray')
ax[1].set_title("after compress")
plt.show()

函数定义：pic_compress 函数接受两个参数：k（要保留的奇异值的数量）和pic_array（图像的NumPy数组表示）。它使用SVD来分解图像矩阵，并尝试通过保留最大的k个奇异值来重构图像。
SVD分解：使用 np.linalg.svd 对图像矩阵进行奇异值分解，得到矩阵 U、sigma（奇异值向量）和V的转置。这里需要注意的是，sigma 实际上是一个向量，而不是矩阵。
重构图像：通过创建一个对角矩阵 sig（其前k个对角元素是sigma的前k个元素，其余为0）来重构图像。通过np.dot对矩阵进行运算。
图像处理：读取图像，并进行维度压缩，然后打印原属数据的大小与压缩后数据的大小。
图像显示：使用 matplotlib 来显示原始图像和压缩后的图像。使用了 cmap=‘gray’，这会将图像转换为灰度进行显示。