什么是SVD奇异值分解?有什么作用?
哪些公司问过
答案要点
- A=UΣV^T,U、V为正交矩阵,Σ为对角矩阵
- 奇异值非负、通常降序排列,是A^T A特征值的平方根
- SVD对任意矩阵都存在,不要求方阵
- 截断SVD给出最优低秩近似,是降维和压缩的基础
- 应用:PCA、图像压缩、推荐系统、伪逆;大矩阵用截断或随机化算法
易错点
- 以为SVD只适用于方阵
- 把奇异值说成A的特征值,实际是A^T A特征值的平方根
- 认为推荐系统直接对稀疏评分矩阵做标准SVD
面试官常见追问
- SVD主要的作用是什么?
- SVD和PCA是什么关系?
- 推荐系统里的矩阵分解是严格的SVD吗?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。