Можно ли спроецировать вектор «вне выборки» в новое пространство без использования исходной матрицы данных? Учитывая матрицу X (N * M), где N — количество векторов, а M — количество признаков, мы можем разложить ее на X = U * лямбда * V_t, где U, V — ортогоналы, а лямбда — диагональ. Умножая U * lambda, мы получаем исходную проекцию данных в новом пространстве. Как я могу получить эти числа для вектора, который не принадлежит X?
svd вне проекции вектора выборки
Ответы (1)
Пожалуйста, извините меня за то, что я не имею четкого представления о том, о чем вы спрашиваете. Возможно, вы спрашиваете о четырех фундаментальных проекторах. Прекрасная презентация представлена в
Матричный анализ для ученых и инженеров
ISBN Алана Лауба 978-0-898715-76-7
Для матрицы A с m строками, n столбцами и рангом rho псевдообратной матрицей является A +. У нас есть СВД.
A = U S V*
Матрицы домена имеют блочное разделение в диапазоне и компоненты нулевого пространства.
U = ( UR | UN)
V = ( VR | VN)
Инвариантные подпространства могут быть выражены через интервалы векторов-столбцов U и V.
Диапазон A = span( u1, u2, …, urho)
Диапазон A* = span( v1, v2, …, vrho)
Пустое пространство A* = span( urho+1, urho+2, …, um )
Пустое пространство A = span( vrho+1, vrho+2, …, vn )
Проекции на инвариантные подпространства таковы:
Проекторы на
Пространство диапазона A: AA+ = UR< /sub>U*R = sum[ ukuk*, ( k = 1, rho ) ]
Пустое пространство A*: Im - AA+ = UNU*N = сумма[ uk uk* ( k = rho + 1, m )]
Пространство диапазона A*: A+A = VR V*R = sum[ vkv*k ( k = 1, rho ) ]
Пустой пробел A: In - A+A< /b> = VNV*N = sum[ vkv *k ( k = ро + 1, m )]
На всякий случай ...
Вы подразумеваете тождество U lambda = AV. Сопутствующее объявление: V lambda = A*U*.