Machine learningMatrix Factorization
Szingularis érték felbontás
A szingularis érték felbontás (SVD) egy alapvető mátrix faktorizációs technika, amely bármely m × n mátrixot A alakba bontja az A = U Σ V^T szorzatként, ahol U és V ortogonális mátrixok, Σ pedig a szingularis értékek diagonális mátrixa. Gene Golub és mások fejlesztették ki az 1960-as–1970-es években, az SVD a legrobosztusabb módszer a mátrixszerkezet elemzésére és lineáris rendszerek megoldására.
A teljes módszer elolvasása
Csak tagoknak
BejelentkezésJelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Singular Value Decomposition (SVD). ScholarGate. https://scholargate.app/hu/numerical-methods/singular-value-decomposition
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →