Machine learningMatrix Factorization
Singular Value Decomposition
Singular Value Decomposition (SVD) ir fundamentāla matricu faktorizācijas tehnika, kas jebkuru m × n matricu A sadala par A = U Σ V^T reizinājumu, kur U un V ir ortogonālas matricas, bet Σ ir diagonāla matrica ar singulārvērtībām. SVD, ko 1960.–1970. gados izstrādāja Džīns Golubs un citi, ir visizturīgākā metode matricu struktūras analīzei un lineāro sistēmu risināšanai.
Lasīt pilno metodes aprakstu
Tikai dalībniekiem
PieteiktiesPiesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Singular Value Decomposition (SVD). ScholarGate. https://scholargate.app/lv/numerical-methods/singular-value-decomposition
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →