Machine learningMatrix Factorization
การแยกตัวประกอบค่าเอกฐาน
การแยกตัวประกอบค่าเอกฐาน (Singular Value Decomposition - SVD) เป็นเทคนิคพื้นฐานในการแยกตัวประกอบเมทริกซ์ที่สามารถแยกเมทริกซ์ A ขนาด m × n ใดๆ ออกเป็นผลคูณ A = U Σ V^T โดยที่ U และ V เป็นเมทริกซ์เชิงตั้งฉาก (orthogonal matrices) และ Σ เป็นเมทริกซ์ทแยงมุม (diagonal matrix) ที่ประกอบด้วยค่าเอกฐาน (singular values) SVD ซึ่งพัฒนาโดย Gene Golub และคณะในช่วงทศวรรษ 1960–1970 ถือเป็นวิธีที่แข็งแกร่งที่สุดในการวิเคราะห์โครงสร้างเมทริกซ์และแก้ระบบเชิงเส้น
อ่านวิธีฉบับเต็ม
สำหรับสมาชิกเท่านั้น
เข้าสู่ระบบเข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Singular Value Decomposition (SVD). ScholarGate. https://scholargate.app/th/numerical-methods/singular-value-decomposition