为什么选SVD而不是PCA？Lauchli 矩阵

作者: 对抗天网的小人儿 | 来源:发表于2017-09-22 21:55 被阅读0次

对于输入样本Tensor X来说，PCA一般不会直接对X进行特征值分解，因为X往往不能保证是实对称方阵。所以PCA在实际中是对

来进行特征值分解的。在转置相乘的过程中可能损失掉X的特征信息，详情请见如下Lauchli矩阵[1]：

其中

代表一个小正数。

此时直接对Tensor X进行特征值分解可以取得更好的分解效果。

参考文献：

[1]P. Lauchli, Jordan-Elimination und Ausgleichung nach kleinsten Quadraten, Numer. Math, 3 (1961), pp. 226-240.

为什么选SVD而不是PCA？Lauchli 矩阵
对于输入样本Tensor X来说，PCA一般不会直接对X进行特征值分解，因为X往往不能保证是实对称方阵。所以PCA...
PCA（主成分分析）
PCA 参考资料强大的矩阵奇异值分解(SVD)及其应用
SVD与PCA的联系
Welcome To My Blog 最主要的一点: 对矩阵进行PCA降维,一般是通过SVD实现的,而不是去计算原...
为什么要PCA，不直接SVD？
为什么？一句话，转成协方差矩阵，是对称矩阵，特征值分解比SVD奇异值分解的计算量小的多 PCA可以通过分解协方差...
机器学习之sklearn中的降维算法
1. PCA与SVD sklearn中降维算法都被包括在模块decomposition中，这个模块本质是一个矩阵分...
我所理解的SVD与PCA
Motivation 之所以要写本文，是因为我先在矩阵课上学了SVD，后又在机器学习课上了解到了PCA，当时就觉得...
PCA 使用 SVD
“PCA 通过 SVD 分解替代协方差矩阵的特征值分解” 是什么意思？在周志华的《机器学习》第 10 章介绍“主...
03高通量测序-PCA中的主要概念
为什么要使用PCA 我们使用SVD（singular value decomposition，中文译名“奇异值分解...
SVD
谈谈矩阵的 SVD 分解SVD花书
机器学习_用SVD奇异值分解给数据降维
本想把PCA和SVD写在一起，可上篇PCA还没写清楚就已经4页word了。再把SVD和特征工程的内容加上，实在是...