矩阵之芯 SVD - 从奇异值分解看四个基本子空间

机器学习与数学

共 1729字,需浏览 4分钟

 ·

2020-12-02 11:00

1值域空间

矩阵 的值域为: 由 的值域生成的 的子空间,记为 。即,

因为 是向量 经矩阵 变换后的所有像(image)的集合,所以也可以将 称为 的像空间。

同样, 的值域是 的子空间,记为 。即,

.列空间

矩阵向量乘积 可以看成关于矩阵 的列向量集合的一个线性组合,这是为值域空间提供了另一种解释。

我们这么来看,当允许向量

的分量自由变化的话,有

可以看出, 的所有像的集合与 的列的所有线性组合的集合是相同的。

因此, 就是矩阵 的列所张成的空间。这就是为什么 通常也被称为 列空间的原因。

.行空间

同样, 的列所张成的空间。而 的列同时也是 的行,换句话说, 可以看成是矩阵 的行张成的空间。因此, 也被称为 行空间

.几个概念的关系

  • 矩阵 的值域(range)空间、像(image)空间和列(column)空间是指同一个东西。

  • 的列空间等于 的行空间,而 的行空间等于 的列空间。

对于矩阵 ,有

  • 的列张成的空间(列空间)

  • 的行张成的空间(行空间)

2零空间

下面看一下零空间和左零空间的定义,

  • 对于 矩阵 ,集合

称为矩阵 的零空间。换句话说, 是齐次系统 所有解的集合。

  • 集合

称为 的左零空间,因为 是左侧齐次系统 所有解的集合。

注意,零空间(nullspace)也有别的叫法,那就是核(kernel)

那么,给你一个矩阵,怎么求它对应的这些子空间呢?可以用高斯消元,但是如果先对这个矩阵作奇异值分解,我们也可以很轻松获得副产品,那就是这些子空间。

3SVD 与子空间

是一个秩为 矩阵,其 SVD 分解为 ,其中

把矩阵 按列分成两部分,并令

以及

则可以得到矩阵 对应的四个基本子空间,

1、左奇异向量集 是矩阵 的列空间的标准正交基,即

2、左奇异向量集 的零空间的标准正交基,即

3、右奇异向量集 是矩阵 的行空间的标准正交基,即

4、右奇异向量集 的零空间的标准正交基,即

.验证

下面我们对矩阵的 的值域空间(列空间)和零空间作个简单验证,矩阵 对应的子空间也类似。

 1、假设 的秩为 ,因此奇异值为

因为 ,代入 有,

因此可得,矩阵 的值域空间,

2、观察下式何时为

,代入 得,

可知,矩阵 的零空间为,

.分开看

上图的左半部分,从矩阵 的列来看,可以分成两部分,

上图的右半部分,从矩阵 的列来看,可以分成两部分,

.图表结合速记

最后,回到开头那张图,总结一下矩阵 的 SVD 分解与四个基本子空间之间的联系。需要注意的是,下图中的空间的简写跟上文中的标记有点点区别,它这里的 分别指列空间、行空间和零空间。

为方便记忆,我们把四个子空间及基本性质放在一个表格中。

矩阵 的秩为 ,则有如下四个基本子空间:

.一图速记

下面这张图将上面两张图合二为一,使得 SVD 与四个子空间的关系展示得更加精炼、清晰。

同样要注意的是,上图里的标记跟上文有所不同,它这里的  和  分别指列空间、行空间和零空间。

4有啥应用?

这几个子空间咋一看貌似有点乱,但仔细一看还是井井有条的样子嘛。稍微理一理,还是好理解的。

有些朋友或许会问,除了理论价值,这有什么具体应用吗?有的,其实还挺多的,有些应该算是大家很熟悉的应用。

比如矩阵 的列可以用 的列代替,因为它们张成的空间相同。那么后者比前者有什么优势呢?具体内容我们留给下一篇再来展开讨论。


相关阅读

矩阵和线性代数原来是这么来的

矩阵特征值的故事 - 缘起琴弦

二次型和矩阵合同原来是这么一回事

矩阵特征值是这么来的,以及有趣的盖尔圆

万能的 SVD 分解是哪位牛人提出来的?
度量、范数和内积原来是这么个关系
线性映射: 从凯莱引入矩阵乘法说起
矩阵之芯 SVD: 奇异值分解及其几何解释

矩阵之芯 SVD: 基本应用以及与其他分解的关系



浏览 502
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报