Machine learningMatrix Factorization
Singular Value Decomposition
Singular Value Decomposition (SVD) on on matriisihajotelutekniikka, joka hajottaa minkä tahansa m × n -matriisin A tuloksi A = U Σ V^T, missä U ja V ovat ortogonaalisia matriiseja ja Σ on singulaariarvojen diagonaalimatriisi. Gene Golubin ja muiden 1960–1970-luvuilla kehittämä SVD on vankin menetelmä matriisirakenteen analysointiin ja lineaaristen yhtälöryhmien ratkaisemiseen.
Lue koko menetelmä
Vain jäsenille
Kirjaudu sisäänKirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Singular Value Decomposition (SVD). ScholarGate. https://scholargate.app/fi/numerical-methods/singular-value-decomposition
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →