奇异值分解与特征分解的关系

特征分解通常应用于方阵，以找到在矩阵表示的变换下保持不变（仅进行缩放）的方向（特征向量）。对于矩阵$A$，特征值方程是$Ax = \lambda x$。如果$A$是对称的，它的特征分解形式为$A = V \Lambda V^T$，其中$V$包含正交特征向量，$\Lambda$是对角特征值矩阵。

奇异值分解（SVD），$A = U\Sigma V^T$，提供了一种相关但更普遍的方法来分解任意矩阵$A$，无论是方阵还是矩形矩阵。当我们考虑矩阵$A^T A$和$A A^T$时，奇异值分解与特征分解之间的联系就会变得清晰。这些矩阵总是方阵和对称的（或者更准确地说，是半正定的），这意味着它们的特征分解性质良好。

让我们看看SVD的组成部分（$U$，$\Sigma$， $V$）与这些特定矩阵的特征分解如何关联。

通过$A^T A$建立关联

考虑矩阵$A^T A$。让我们将$A$的SVD代入此表达式： $A = U \Sigma V^T$ $A^T = (U \Sigma V^T)^T = V \Sigma^T U^T$

现在，将$A^T$乘以$A$： $A^T A = (V \Sigma^T U^T) (U \Sigma V^T)$

由于$U$是正交矩阵，$U^T U = I$（单位矩阵）。表达式简化为： $A^T A = V \Sigma^T (U^T U) \Sigma V^T$ $A^T A = V (\Sigma^T \Sigma) V^T$

仔细观察这个结果：$A^T A = V (\Sigma^T \Sigma) V^T$。这正是对称矩阵$A^T A$的特征分解形式。

• $V$的列是$A^T A$的特征向量。
• 矩阵$\Sigma^T \Sigma$是对角矩阵。其对角线上的元素是$A^T A$的特征值。

$\Sigma^T \Sigma$的对角线元素是什么？如果$\Sigma$的对角线上有奇异值$\sigma_1, \sigma_2, ..., \sigma_r$（其中$r$是$A$的秩），那么$\Sigma^T \Sigma$是一个$n \times n$的对角矩阵，其对角线上是$\sigma_1^2, \sigma_2^2, ..., \sigma_r^2$，后跟零。

因此，$A$的右奇异向量（$V$的列）是$A^T A$的特征向量。$A$的平方奇异值（$\sigma_i^2$）是$A^T A$的特征值。

通过$A A^T$建立关联

现在让我们对矩阵$A A^T$进行类似分析： $A A^T = (U \Sigma V^T) (V \Sigma^T U^T)$

由于$V$也是正交矩阵，$V^T V = I$。表达式简化为： $A A^T = U \Sigma (V^T V) \Sigma^T U^T$ $A A^T = U (\Sigma \Sigma^T) U^T$

同样，这个结果$A A^T = U (\Sigma \Sigma^T) U^T$是对称矩阵$A A^T$的特征分解。

• $U$的列是$A A^T$的特征向量。
• 矩阵$\Sigma \Sigma^T$是对角矩阵。其对角线上的元素是$A A^T$的特征值。

$\Sigma \Sigma^T$的对角线元素也是平方奇异值$\sigma_1^2, \sigma_2^2, ..., \sigma_r^2$，后跟零（这次是一个$m \times m$矩阵）。

因此，$A$的左奇异向量（$U$的列）是$A A^T$的特征向量。$A$的平方奇异值（$\sigma_i^2$）也是$A A^T$的特征值。

关联总结

SVD组成部分 ($A = U\Sigma V^T$)	与特征分解的关联
奇异值 ($\sigma_i$)	$A^T A$（和$A A^T$）的非零特征值的平方根
右奇异向量 ($V$)	$A^T A$的特征向量
左奇异向量 ($U$)	$A A^T$的特征向量

这种关联在以下几个方面有重要意义：

1. 普适性：它显现了SVD如何通过对称矩阵$A^T A$和$A A^T$，将特征分解（寻找特殊方向和缩放因子）的思路从方阵扩展到任意矩形矩阵。
2. 计算：尽管理论上可以通过找到$A^T A$和$A A^T$的特征分解来计算SVD，但直接计算SVD的数值方法通常更稳定，并在实际中更受欢迎。
3. 机器学习中的解释：在许多数据分析情境中，$A$将中心化数据点表示为行。矩阵$A^T A$与特征的协方差矩阵密切相关。协方差矩阵的特征分解是主成分分析（PCA）的核心。因此，从数据矩阵$A$的SVD得到的右奇异向量（$V$）和奇异值（$\sigma_i$）与主成分以及它们捕获的方差直接关联。具体来说，右奇异向量$V$给出主方向，而平方奇异值$\sigma_i^2$（经过适当缩放）给出沿这些方向的方差。

NumPy实践演示

让我们使用Python的NumPy库验证这种关联。我们将创建一个示例矩阵$A$，计算它的SVD，然后计算$A^T A$和$A A^T$的特征分解，以查看组成部分是否如预期一致。

import numpy as np

# 设置打印选项，提高可读性
np.set_printoptions(suppress=True, precision=4)

# 创建一个非方阵示例矩阵 A
A = np.array([[1, 2, 3],
              [4, 5, 6]]) # A 是 2x3

print("矩阵 A:\n", A)

# 1. 计算 A 的 SVD
# U 将是 2x2，S 将包含 2 个奇异值，Vh (V.T) 将是 3x3
U, s, Vh = np.linalg.svd(A)
V = Vh.T # 转置 Vh 得到 V
Sigma_squared = s**2

print("\nSVD 结果:")
print("U (左奇异向量):\n", U)
print("奇异值 (s):", s)
print("Sigma^2 (平方奇异值):", Sigma_squared)
print("V (右奇异向量):\n", V)

# 2. 计算 A.T @ A (A^T A) 的特征分解
ATA = A.T @ A # ATA 是 3x3
print("\n矩阵 A^T A:\n", ATA)

# 对称矩阵使用 eigh（返回排序后的特征值/向量）
eigenvalues_ATA, eigenvectors_ATA = np.linalg.eigh(ATA)

# eigh 返回的特征值是从小到大排序的，反转它们
eigenvalues_ATA = eigenvalues_ATA[::-1]
eigenvectors_ATA = eigenvectors_ATA[:, ::-1]

print("\nA^T A 的特征分解:")
print("特征值（应与 Sigma^2 匹配）:", eigenvalues_ATA)
print("特征向量（应与 V 的列匹配）:\n", eigenvectors_ATA)

# 3. 计算 A @ A.T (A A^T) 的特征分解
AAT = A @ A.T # AAT 是 2x2
print("\n矩阵 A A^T:\n", AAT)

eigenvalues_AAT, eigenvectors_AAT = np.linalg.eigh(AAT)

# 反转排序顺序以保持一致性
eigenvalues_AAT = eigenvalues_AAT[::-1]
eigenvectors_AAT = eigenvectors_AAT[:, ::-1]

print("\nA A^T 的特征分解:")
print("特征值（应与 Sigma^2 匹配）:", eigenvalues_AAT)
print("特征向量（应与 U 的列匹配）:\n", eigenvectors_AAT)

# 验证检查（允许微小数值差异）
print("\n验证:")
# 检查特征值
print("Sigma^2 大致匹配 A^T A 的特征值:", np.allclose(Sigma_squared, eigenvalues_ATA[:len(s)]))
print("Sigma^2 大致匹配 A A^T 的特征值:", np.allclose(Sigma_squared, eigenvalues_AAT[:len(s)]))

# 检查特征向量（注意：特征向量仅在符号上唯一）
# 检查 V 的列是否与 ATA 的特征向量（或其负值）匹配
print("V 的列大致匹配 A^T A 的特征向量:",
      np.allclose(np.abs(V[:, :len(s)]), np.abs(eigenvectors_ATA[:, :len(s)])))

# 检查 U 的列是否与 AAT 的特征向量（或其负值）匹配
print("U 的列大致匹配 A A^T 的特征向量:",
      np.allclose(np.abs(U), np.abs(eigenvectors_AAT)))

运行此代码显现了这种关联：

• $A^T A$和$A A^T$的非零特征值都等于奇异值的平方（$\sigma_i^2$）。注意，如果$A$是矩形矩阵，$A^T A$可能比$A A^T$有更多的特征值（反之亦然），但非零特征值将与$\sigma_i^2$匹配。
• $A^T A$的特征向量对应于$V$的列（右奇异向量）。
• $A A^T$的特征向量对应于$U$的列（左奇异向量）。

请记住，特征向量（和奇异向量）在符号（$\pm 1$）上是唯一的。因此，在比较像$V$这样的向量和$A^T A$的特征向量时，你可能会发现一些对应的列是彼此的负值。这是完全正常的，并且np.allclose比较绝对值可以处理这种情况。

SVD与特征分解的这种紧密关联使SVD成为一项基本方法。它使用对称矩阵特征分解的良好性质，为任意矩阵提供了一种强大的分解方法，在理解数据结构、降维等方面有直接应用。