Machine learningMatrix Factorization
Penguraian Nilai Tunggal
Penguraian Nilai Tunggal (SVD) ialah teknik pemfaktoran matriks asas yang menguraikan sebarang matriks m × n A kepada hasil darab A = U Σ V^T, dengan U dan V ialah matriks ortogon dan Σ ialah matriks pepenjuru bagi nilai-nilai tunggal. Dibangunkan oleh Gene Golub dan lain-lain pada tahun 1960-an–1970-an, SVD ialah kaedah paling teguh untuk menganalisis struktur matriks dan menyelesaikan sistem linear.
Baca kaedah sepenuhnya
Ahli sahaja
Log masukLog masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Singular Value Decomposition (SVD). ScholarGate. https://scholargate.app/ms/numerical-methods/singular-value-decomposition
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →