首頁 ／ 名詞卡 ／ 統計與資料分析 ／ 矩陣分解（Matrix Factorization）

iPAS AI中級📊 統計與資料分析
🔑 名詞卡

矩陣分解（Matrix Factorization）

🎯 定義

將一個高維矩陣拆解為數個較小且具結構意義的子矩陣乘積，以實現資料降維、壓縮與轉換。

重點／應用

方法條件應用
特徵值分解僅限對稱方陣，\(A=Q\Lambda Q^\top\)PCA、LDA
SVD（奇異值分解）任意實數矩陣，\(X=U\Sigma V^\top\)推薦系統、影像壓縮、LSA
NMF（非負矩陣分解）分解後矩陣皆非負，\(X\approx WH\)主題建模、生物訊號分析

記憶技巧

矩陣分解的終極目的都是「用更少、更有意義的子結構，代表原本的高維資料」。

易混淆

  • vs SVD：SVD 是矩陣分解的其中一種具體方法，適用範圍最廣（不需方陣）。
  • vs PCA：PCA 是矩陣分解（特徵值分解）在降維任務上的具體應用。
📖 課文原文

「矩陣分解（Matrix Factorization）是一種有效的數值工具，可將原始矩陣拆解為多個較小且具有結構意義的子矩陣，進而實現資料降維、壓縮與轉換的目的。」

出處

CH3.2_線性代數之機器學習基礎應用