Day 20:奇异值SVD分解

Review

上一节主要学习了几种特征选择的具体方法，包含：

• 方差筛选
• 皮尔逊相关系数筛选
• lasso筛选
• 树模型重要性
• SHAP重要性
• 递归特征消除REF

其目的是为了从大量的特征中选择有效的的特征，去除冗余甚至是噪声的非必要特征，从而构建出高质量的数据集。

---

Today

今天由矩阵的SVD分解讲起，并引申到实际的数据处理应用中。

SVD

SVD（奇异值分解）是线性代数中的一个矩阵分解技术。
对于任意实数矩阵 $A\in R^{m\times n}$, $A\in {\mathbb{R}}^{m\times n}A\in R^{m\times n}$，SVD将其分解为：
$$A=U\Sigma V^T$$

其中：

• $U\in {\mathbb{R}}^{m\times m}$ 是左奇异向量矩阵（正交矩阵）
• $\Sigma \in {\mathbb{R}}^{m\times n}$ 是奇异值矩阵（对角矩阵）
• $V\in {\mathbb{R}}^{n\times n}$ 是右奇异向量矩阵（正交矩阵）

组成要素详解

1. 奇异值（Singular Values）

• ${\sigma }_1\ge {\sigma }_2\ge ...\ge {\sigma }_r\ge 0$
• $r=\text{rank}(A)$ 是矩阵A的秩
• 非零奇异值的个数等于矩阵的秩

2. 左奇异向量（Left Singular Vectors）

• $U$ 的列向量：{u1,u2,...,um}\{u_1, u_2, ..., u_m\}{u1​,u2​,...,um​}
• 满足 $U^{T}U=I_m$（正交性）
• 张成矩阵A的列空间和左零空间

3. 右奇异向量（Right Singular Vectors）

• $V$ 的列向量：{v1,v2,...,vn}\{v_1, v_2, ..., v_n\}{v1​,v2​,...,vn​}
• 满足 $V^{T}V=I_n$（正交性）
• 张成矩阵A的行空间和零空间

计算方法

方法一：通过特征值分解

1. 计算 $A^{T}A$ 的特征值分解：$A^{T}A=V\Lambda V^T$
2. 奇异值：${\sigma }_i=\sqrt{{\lambda }_i}$
3. 右奇异向量：$V$ 的特征向量
4. 左奇异向量：$u_i=\frac{1}{{\sigma }_i}A{v}_i$

方法二：双边对角化

• 使用Householder变换或Givens旋转
• 逐步将矩阵化为双对角形式
• 再对双对角矩阵进行SVD

几何意义

SVD描述了线性变换的几何结构：

输入空间 --[V^T]--> 标准正交基 --[Σ]--> 缩放变换 --[U]--> 输出空间

• $V^T$：输入空间的旋转/反射
• $\Sigma$：沿坐标轴的缩放
• $U$：输出空间的旋转/反射

重要性质

1. 存在性与唯一性

• 任意矩阵都存在SVD分解
• 奇异值唯一确定（按降序排列）
• 奇异向量在奇异值不重复时唯一

2. 降维表示
$$A=\sum _{i=1}^r{\sigma }_i{u}_i{v}_i^T$$

3. 最优逼近性

• 截断SVD提供最优的低秩逼近
• $A_k={\sum }_{i=1}^k{\sigma }_i{u}_i{v}_i^T$ 是秩为k的最佳逼近

4. 范数关系

• Frobenius范数：$\Vert A{\Vert }_F=\sqrt{{\sum }_{i=1}^r{\sigma }_i^2}$
• 谱范数：$\Vert A{\Vert }_2={\sigma }_1$

主要应用领域

1. 数据科学

• 主成分分析（PCA）：降维和特征提取
• 推荐系统：矩阵分解和协同过滤
• 图像压缩：低秩逼近减少存储

2. 机器学习

• 潜在语义分析（LSA）：文本挖掘
• 正则化：解决过拟合问题
• 特征选择：识别重要特征维度

3. 数值计算

• 线性方程组求解：处理病态矩阵
• 伪逆计算：$A^{+}=V{\Sigma }^{+}{U}^T$
• 矩阵条件数：$\kappa (A)=\frac{{\sigma }_1}{{\sigma }_r}$

4. 信号处理

• 噪声降低：保留主要奇异值
• 信号重构：从不完整数据恢复
• 频谱分析：识别主要频率成分

计算复杂度

• 标准算法：$O(\min (m{n}^2,m^{2}n))$
• 随机算法：$O(mnk)$（k为目标秩）
• 稀疏矩阵：利用稀疏性可显著加速

SVD是线性代数的核心工具，它揭示了矩阵的内在几何结构，在理论研究和实际应用中都具有fundamental重要性。

---

import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score# 设置随机种子以便结果可重复
np.random.seed(42)# 模拟数据：1000 个样本，50 个特征
n_samples = 1000
n_features = 50
X = np.random.randn(n_samples, n_features) * 10  # 随机生成特征数据
y = (X[:, 0] + X[:, 1] > 0).astype(int)  # 模拟二分类标签# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
print(f"训练集形状: {X_train.shape}")
print(f"测试集形状: {X_test.shape}")# 对训练集进行 SVD 分解
U_train, sigma_train, Vt_train = np.linalg.svd(X_train, full_matrices=False)
print(f"Vt_train 矩阵形状: {Vt_train.shape}")# 选择保留的奇异值数量 k
k = 10
Vt_k = Vt_train[:k, :]  # 保留前 k 行，形状为 (k, 50)
print(f"保留 k={k} 后的 Vt_k 矩阵形状: {Vt_k.shape}")# 降维训练集：X_train_reduced = X_train @ Vt_k.T
X_train_reduced = X_train @ Vt_k.T
print(f"降维后训练集形状: {X_train_reduced.shape}")# 使用相同的 Vt_k 对测试集进行降维：X_test_reduced = X_test @ Vt_k.T
X_test_reduced = X_test @ Vt_k.T
print(f"降维后测试集形状: {X_test_reduced.shape}")# 训练模型（以逻辑回归为例）
model = LogisticRegression(random_state=42)
model.fit(X_train_reduced, y_train)# 预测并评估
y_pred = model.predict(X_test_reduced)
accuracy = accuracy_score(y_test, y_pred)
print(f"测试集准确率: {accuracy}")# 计算训练集的近似误差（可选，仅用于评估降维效果）
X_train_approx = U_train[:, :k] @ np.diag(sigma_train[:k]) @ Vt_k
error = np.linalg.norm(X_train - X_train_approx, 'fro') / np.linalg.norm(X_train, 'fro')
print(f"训练集近似误差 (Frobenius 范数相对误差): {error}")

@浙大疏锦行