Interaktive Mathe- und Wissenschafts-Lektionen

SVD-Zerlegungs-Explorer

Zerlege eine Matrix in Richtungen, Streckungsstärken und eine Rang-k-Rekonstruktion.

Interaktive Simulation wird geladen...

Über SVD-Zerlegungs-Explorer

Erkunde Singulärwerte, Rang-k-Rekonstruktion, erhaltene Energie und warum die SVD für Kompression und Rauschunterdrückung wichtig ist.. Dieses Tool ist unter Statistik & Finanzen kategorisiert und arbeitet mit Standardgleichungen und -regeln, um präzise Ergebnisse zu erzielen.

Dieser Rechner enthält vorkonfigurierte Testfälle: Rang-2-Matrix: Die Zerlegung einer kleinen Matrix zeigt die wichtigsten Singulärrichtungen und -werte.; gemischte 3x3: gemischte 3x3; diagonale 3x3: diagonale 3x3.

Schlüsselwörter: svd, singular value decomposition, linear algebra, pca, dimensionality reduction, low rank approximation, matrix factorization

Jede Matrix ist ein Stapel von Schichten 🖖

Die SVD schreibt jede Matrix als gewichtete Summe einfacher Rang-1-Schichten – jede aus einem linken und einem rechten Muster gebildet – geordnet vom wichtigsten zum unwichtigsten Singulärwert. Das Quadrat jedes Singulärwerts gibt an, wie viel der Gesamtenergie der Matrix diese Schicht trägt. Behält man nur die obersten wenigen, rekonstruiert man den Großteil der Daten aus einem winzigen Bruchteil der Zahlen – genau deshalb steigt der Balken für die erhaltene Energie am Anfang so steil an.

Fünfmal entdeckt, bevor sie nützlich war 🖖

Die SVD ist keine Erfindung des Computerzeitalters. Sie wurde unabhängig von Beltrami (1873), Jordan (1874), Sylvester (1889), Schmidt (1907) und Weyl (1912) hergeleitet – reine Matrizentheorie ohne absehbare Anwendung. Erst 1965 veröffentlichten Golub und Kahan ein numerisch stabiles Berechnungsverfahren, und das erschloss all das, was du hier siehst: Bildkompression, Rauschunterdrückung, Suchmaschinen und Empfehlungssysteme.

Beispielaufgaben