インタラクティブな数学・理科レッスン (ﾉ◕ヮ◕)ﾉ*:･ﾟ✧

SVD分解エクスプローラー

行列を方向、伸縮の強さ、そして低ランク再構成に分解します。

インタラクティブシミュレーションを読み込んでいます...

概要： SVD分解エクスプローラー

特異値、低ランク再構成、保持されるエネルギー、そしてSVDが圧縮とノイズ除去にとってなぜ重要かを探ります。. このツールは「統計・ファイナンス」のカテゴリに分類され、標準的な方程式や規則に基づいて正確な計算結果を提供します。

この計算機には、事前設定されたシミュレーションケースが含まれています：ランク2の行列: 小さな行列の分解により、主要な特異方向と特異値が示される。; 混合3x3: 混合型の3×3行列; 対角3x3: 対角型の3×3行列。

キーワード: svd, singular value decomposition, linear algebra, pca, dimensionality reduction, low rank approximation, matrix factorization

どんな行列も層の積み重ね 🖖

特異値分解は、どんな行列も単純なランク1の層の重み付き和として書き直します。各層は左側と右側の1つずつのパターンから作られ、特異値の大きい順に並びます。各特異値を2乗すると、その層が行列全体のエネルギーのどれだけを担うかがわかります。上位の数層だけ残せば、ごくわずかな数値からデータの大部分を復元できます。だからこそ、保持エネルギーのバーは最初に急激に立ち上がるのです。

役立つ前に五回発見された 🖖

特異値分解はコンピュータ時代の発明ではありません。ベルトラミ(1873年)、ジョルダン(1874年)、シルベスター(1889年)、シュミット(1907年)、ワイル(1912年)がそれぞれ独立に導き出した、応用の当てのない純粋な行列理論でした。数値的に安定した計算法は1965年にゴルブとカハンが発表して初めて実現し、それがここに見えるすべて——画像圧縮、ノイズ除去、検索エンジン、レコメンダーシステム——への扉を開いたのです。

例題