Lições Interativas de Matemática e Ciências

Explorador de Decomposição SVD

Divida uma matriz em direções, intensidades de alongamento e uma reconstrução de posto baixo.

A carregar a simulação interativa...

Sobre Explorador de Decomposição SVD

Explore os valores singulares, a reconstrução de posto baixo, a energia preservada e por que a SVD é importante para compressão e remoção de ruído.. Esta ferramenta está categorizada em Estatística e Finanças e opera com equações e regras padrão para produzir resultados precisos.

Esta calculadora inclui casos pré-configurados: matriz de posto 2: A decomposição de uma matriz pequena mostra as direções e valores singulares principais.; 3x3 mista: 3x3 misto; 3x3 diagonal: 3x3 diagonal.

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

Toda matriz é uma pilha de camadas 🖖

A SVD reescreve qualquer matriz como uma soma ponderada de camadas simples de posto 1 — cada uma formada por um padrão à esquerda e um à direita — ordenadas da mais para a menos importante segundo o seu valor singular. O quadrado de cada valor singular indica quanta da energia total da matriz aquela camada carrega. Mantendo apenas as primeiras, você reconstrói a maior parte dos dados com uma fração mínima dos números — e é por isso que a barra de energia preservada sobe tão abruptamente no início.

Descoberta cinco vezes antes de ser útil 🖖

A SVD não é uma invenção da era digital. Foi deduzida de forma independente por Beltrami (1873), Jordan (1874), Sylvester (1889), Schmidt (1907) e Weyl (1912) — teoria de matrizes pura, sem aplicação à vista. Só em 1965 Golub e Kahan publicaram um método numericamente estável para calculá-la, e isso destravou tudo o que você vê aqui: compressão de imagens, remoção de ruído, motores de busca e sistemas de recomendação.

Problemas de exemplo