奇异值分解(Singular Value Decomposition,以下简称SVD)是在机器学习领域广泛应用的算法,它不光可以用于降维算法中的特征分解,还可以用于推荐系统,以及自然语言处理等领域。是很多机器学习算法的基石。本文就对SVD的原理做一个总结,并讨论在在PCA降维算法中是如何运用运用SVD的。
1. 回顾特征值和特征向量
首先回顾下特征值和特征向量的定义如下:
A x = λ x Ax = \lambda x Ax=λx
其中 A A A是一个 n × n n \times n n×n矩阵, x x x是一个 n n n维向量,则 λ \lambda λ是矩阵 A A A的一个特征值,而 x x x是矩阵 A A A的特征值 λ \lambda λ所对应的特征向量。
求出特征值和特征向量有什么好处呢? 就是我们可以将矩阵A特征分解。如果我们求出了矩阵A的n个特征值 λ 1 ≤ λ 2 ≤ . . . ≤ λ n \lambda_1 \leq \lambda_2 \leq ... \leq \lambda_n λ1≤λ2≤...≤λn ,以及这 n n n个特征值所对应的特征向量 w 1 , w 2 , . . . , w n w_1, w_2, ...,w_n w1,w2,...,wn,
那么矩阵A就可以用下式的特征分解表示:
A = W Σ W − 1 A=W \Sigma W^{-1} A=WΣW−1
其中 W W W是这 n n n个特征向量所张成的 n × n n \times n n×n维矩阵,而 Σ \Sigma Σ为这 n n n个特征值为主对角线的 n × n n \times n n×n维矩阵。
一般我们会把 W W W的这 n n n个特征向量标准化,即满足 ∥ w i ∥ 2 = 1 \left \| w_i \right \|_2=1 ∥wi∥2=1,或者 ∥ w i T w i ∥ = 1 \left \| w_i^Tw_i\right \|=1 ∥∥wiTwi∥∥=1,此时W的 n n n个特征向量为标准正交基,满足 W T W = I W^TW=I WTW=I,即 W T = W − 1 W^T=W^{-1} WT=W−1,也就是说W为酉矩阵。
这样我们的特征分解表达式可以写成
A = W Σ W T A=W \Sigma W^T A=WΣWT
注意到要进行特征分解,矩阵A必须为方阵。
那么如果A不是方阵,即行和列不相同时,我们还可以对矩阵进行分解吗?答案是可以,此时我们的SVD登场了。
SVD的定义
SVD也是对矩阵进行分解,但是和特征分解不同,SVD并不要求要分解的矩阵为方阵。假设我们的矩阵A是一个m×n的矩阵,那么我们定义矩阵A的SVD为:
A = U Σ V T A = U \Sigma V^T A=UΣVT
其中 U U U是一个 m × m m \times m m×m的矩阵, Σ \Sigma Σ是一个 n × n n \times n n×n的矩阵,除了主对角线上的元素以外全为0,主对角线上的每个元素都称为奇异值, V V V是一个 n × n n \times n n×n的矩阵。 U U U和 V V V都是酉矩阵,即满足
U T U = I , V T V = I U^TU=I,V^TV=I UTU=I,VTV=I
下图可以很形象的看出上面SVD的定义:
那么我们如何求出SVD分解后的 U U U, Σ \Sigma Σ, V V V这三个矩阵呢?
如果我们将 A A A的转置和 A A A做矩阵乘法,那么会得到 n × n n \times n n×n的一个方阵 A T A A^TA ATA。既然 A T A A^TA ATA是方阵,那么我们就可以进行特征分解,得到的特征值和特征向量满足下式:
( A T A ) v i = λ i v i (A^TA)v_i = \lambda_iv_i (ATA)vi=λivi
这样我们就可以得到矩阵 A T A A^TA ATA的 n n n个特征值和对应的 n n n个特征向量 v v v了。将 A T A A^TA ATA的所有特征向量张成一个 n × n n \times n n×n的矩阵 V V V,就是我们SVD公式里面的 V V V矩阵了。一般我们将 V V V中的每个特征向量叫做 A A A的右奇异向量。
如果我们将 A A A和 A A A的转置做矩阵乘法,那么会得到 m × m m \times m m×m的一个方阵 A A T AA^T AAT。既然 A A T AA^T AAT是方阵,那么我们就可以进行特征分解,得到的特征值和特征向量满足下式:
( A A T ) u i = λ i u i (AA^T)u_i=\lambda_iu_i (AAT)ui=λiui
这样我们就可以得到矩阵 A A T AA^T AAT的 m m m个特征值和对应的 m m m个特征向量 u u u了。将 A A T AA^T AAT的所有特征向量张成一个 m × m m \times m m×m的矩阵 U U U,就是我们SVD公式里面的 U U U矩阵了。一般我们将 U U U中的每个特征向量叫做A的左奇异向量。
U U U和 V V V我们都求出来了,现在就剩下奇异值矩阵 Σ \Sigma Σ没有求出了.
由于 Σ \Sigma Σ除了对角线上是奇异值其他位置都是0,那我们只需要求出每个奇异值 σ \sigma σ就可以了。
我们注意到:
A = U Σ V T ⇒ A V = U Σ V T V ⇒ A V = U Σ ⇒ A v i = σ i ⇒ σ i = A v i / u i A = U\Sigma V^T \Rightarrow AV = U\Sigma V^T V \Rightarrow AV = U\Sigma \Rightarrow Av_i=\sigma_i \Rightarrow \sigma_i=Av_i/u_i A=UΣVT⇒AV=UΣVTV⇒AV=UΣ⇒Avi=σi⇒σi=Avi/ui
这样我们可以求出我们的每个奇异值,进而求出奇异值矩阵 Σ \Sigma Σ。
上面还有一个问题没有讲,就是我们说 A T A A^TA ATA的特征向量组成的就是我们SVD中的 V V V矩阵,而 A A T AA^T AAT的特征向量组成的就是我们SVD中的 U U U矩阵,这有什么根据吗?这个其实很容易证明,我们以 V V V矩阵的证明为例。
A = U Σ V T ⇒ A T = V Σ U T ⇒ A T A = V Σ U T U Σ V T = V Σ 2 V T A=U\Sigma V^T \Rightarrow A^T=V\Sigma U^T \Rightarrow A^TA=V\Sigma U^TU\Sigma V^T = V \Sigma^2V^T A=UΣVT⇒AT=VΣUT⇒ATA=VΣUTUΣVT=VΣ2VT
上式证明使用了 U T U = I , Σ T = Σ U^TU=I,\Sigma^T=\Sigma UTU=I,ΣT=Σ。可以看出 A T A A^TA ATA的特征向量组成的的确就是我们SVD中的 V V V矩阵。类似的方法可以得到 A A T AA^T AAT的特征向量组成的就是我们SVD中的 U U U矩阵。
进一步我们还可以看出我们的特征值矩阵等于奇异值矩阵的平方,也就是说特征值和奇异值满足如下关系:
σ i = λ i \sigma_i=\sqrt{\lambda_i} σi=λi
这样也就是说,我们可以不用 σ i = A V i u i \sigma_i=\frac{AV_i}{u_i} σi=uiAVi来计算奇异值,也可以通过求出 A T A A^TA ATA的特征值取平方根来求奇异值。
3. SVD计算举例
这里我们用一个简单的例子来说明矩阵是如何进行奇异值分解的。我们的矩阵A定义为:
data=np.array(([0, 1],[1, 1],[1, 0]))
#array([[0, 1],
# [1, 1],
# [1, 0]])
求出 A T A A^TA ATA和 A A T AA^T AAT
np.dot(data.T, data)
array([[2, 1],
[1, 2]])
np.dot(data, data.T)
array([[1, 1, 0],
[1, 2, 1],
[0, 1, 1]])
进而求出 A T A A^TA ATA的特征值和特征向量:
val, vector = np.linalg.eig(np.dot(data.T, data))
val
array([3., 1.])
vector
array([[ 0.70710678, -0.70710678],
[ 0.70710678, 0.70710678]])
接着求出 A A T AA^T AAT的特征值和特征向量:
val, vector = np.linalg.eig(np.dot(data, data.T))
val
array([ 3., 1., -0.])
vector
vector
array([[-0.40824829, 0.70710678, 0.57735027],
[-0.81649658, 0. , -0.57735027],
[-0.40824829, -0.70710678, 0.57735027]])
利用 A v i = σ i u i , i = 1 , 2 Av_i=\sigma_iu_i,i=1,2 Avi=σiui,i=1,2求奇异值:
也可以用 σ i = λ i \sigma_i=\sqrt{\lambda _i} σi=λi直接求出奇异值为 3 \sqrt{3} 3和 1 1 1.
np.sqrt(val)
最终得到A的奇异值分解为:
4. SVD的一些性质
对于奇异值,它跟我们特征分解中的特征值类似,在奇异值矩阵中也是按照从大到小排列,而且奇异值的减少特别的快,在很多情况下,前10%甚至1%的奇异值的和就占了全部的奇异值之和的99%以上的比例。
也就是说,我们也可以用最大的k个的奇异值和对应的左右奇异向量来近似描述矩阵。
也就是说:
A m × n = U m × m Σ m × n V n × n T ≈ U m × k Σ k × k V k × n T A_{m \times n} = U_{m \times m} \Sigma_{m \times n} V^T_{n \times n} \approx U_{m \times k} \Sigma_{k \times k} V^T_{k \times n} Am×n=Um×mΣm×nVn×nT≈Um×kΣk×kVk×nT
其中 k k k要比 n n n小很多,也就是一个大的矩阵 A A A可以用三个小的矩阵 U m × k , Σ k × k , V k × n U_{m \times k},\Sigma_{k \times k},V_{k \times n} Um×k,Σk×k,Vk×n来表示。如下图所示,现在我们的矩阵A只需要灰色的部分的三个小矩阵就可以近似描述了。
由于这个重要的性质,SVD可以用于PCA降维,来做数据压缩和去噪。也可以用于推荐算法,将用户和喜好对应的矩阵做特征分解,进而得到隐含的用户需求来做推荐。同时也可以用于NLP中的算法,比如潜在语义索引(LSI)。
下面我们就对SVD用于PCA降维做一个介绍。
5. SVD用于PCA
PCA降维,需要找到样本协方差矩阵 X X T XX^T XXT的最大的 d d d个特征向量,然后用这最大的 d d d个特征向量张成的矩阵来做低维投影降维。可以看出,在这个过程中需要先求出协方差矩阵 X T X X^TX XTX,当样本数多样本特征数也多的时候,这个计算量是很大的。
注意到我们的SVD也可以得到协方差矩阵 X T X X^TX XTX最大的 d d d个特征向量张成的矩阵,但是SVD有个好处,有一些SVD的实现算法可以不求先求出协方差矩阵 X T X X^TX XTX,也能求出我们的右奇异矩阵 V V V。也就是说,我们的PCA算法可以不用做特征分解,而是做SVD来完成。这个方法在样本量很大的时候很有效。实际上,scikit-learn的PCA算法的背后真正的实现就是用的SVD,而不是我们我们认为的暴力特征分解。
另一方面,注意到PCA仅仅使用了我们SVD的右奇异矩阵,没有使用左奇异矩阵,那么左奇异矩阵有什么用呢?
假设我们的样本是 m × n m \times n m×n的矩阵X,如果我们通过SVD找到了矩阵 X X T XX^T XXT最大的 d d d个特征向量张成的 m × d m \times d m×d维矩阵 U U U,则我们如果进行如下处理:
x d × n ′ = U d × m T X m × n x^\prime_{d \times n} = U^T_{d \times m} X_{m \times n} xd×n′=Ud×mTXm×n
可以得到一个 d × n d \times n d×n的矩阵 X ′ X^\prime X′,这个矩阵和我们原来的 m × n m \times n m×n维样本矩阵 X X X相比,行数从 m m m减到了 k k k,可见对行数进行了压缩。
左奇异矩阵可以用于行数的压缩。
右奇异矩阵可以用于列数即特征维度的压缩,也就是我们的PCA降维。
6. SVD小结
SVD作为一个很基本的算法,在很多机器学习算法中都有它的身影,特别是在现在的大数据时代,由于SVD可以实现并行化,因此更是大展身手。
SVD的缺点是分解出的矩阵解释性往往不强,有点黑盒子的味道,不过这不影响它的使用。