Machine learningMatrix Factorization
Singular Value Decomposition
Singular Value Decomposition (SVD) je fundamentální technika faktorizace matic, která rozkládá libovolnou matici A o rozměrech m × n na součin A = U Σ V^T, kde U a V jsou ortogonální matice a Σ je diagonální matice singulárních hodnot. SVD, vyvinutá Genem Golubem a dalšími v 60.–70. letech 20. století, je nejrobustnější metodou pro analýzu struktury matic a řešení lineárních systémů.
Přečíst celou metodu
Pouze pro členy
Přihlásit sePro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- Golub, G. H., & Kahan, W. (1970). Calculating the singular values and pseudo-inverse of a matrix. Journal of the SIAM Series B: Numerical Analysis, 2(2), 205–224. DOI: 10.1137/0702016 ↗
- Golub, G. H., & Van Loan, C. F. (1983). Matrix computations (2nd ed.). Johns Hopkins University Press. ISBN: 0801854148
- Trefethen, L. N., & Bau, D. (1997). Numerical Linear Algebra. SIAM. DOI: 10.1137/1.9780898719574 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Singular Value Decomposition (SVD). ScholarGate. https://scholargate.app/cs/numerical-methods/singular-value-decomposition
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →