La décomposition en valeurs singulières et la décomposition en valeurs propres sont deux méthodes fondamentales de factorisation matricielle en algèbre linéaire. Alors que la décomposition en valeurs propres est limitée aux matrices carrées et met en évidence les directions invariantes, la décomposition en valeurs singulières se généralise à toute forme de matrice, en décomposant les transformations en rotations orthogonales et en homothéties diagonales.
Une technique universelle de factorisation matricielle qui décompose toute matrice en axes de coordonnées orthogonaux et en facteurs d'échelle non négatifs.
Une décomposition matricielle classique qui décompose une matrice carrée en ses directions invariantes et ses facteurs d'échelle correspondants.
| Fonctionnalité | Décomposition en valeurs singulières (SVD) | Décomposition en valeurs propres (EVD) |
|---|---|---|
| Exigences de la matrice | Toute forme de matrice rectangulaire ou carrée | Matrices strictement carrées uniquement |
| Géométrie vectorielle de base | Toujours mutuellement perpendiculaires (orthogonaux) | Peut ne pas être orthogonal sauf si la matrice est normale |
| Format mathématique | U multiplié par Sigma multiplié par V transposé | V multiplié par Lambda multiplié par V inverse |
| Caractéristiques de la valeur | Des nombres strictement réels et non négatifs | Peut être une paire négative, nulle ou complexe conjuguée |
| Interprétation géométrique | Une rotation, suivie d'un étirement, puis d'une rotation. | Une simple mise à l'échelle le long d'axes directionnels fixes |
| Gestion des matrices défectueuses | Existe toujours avec succès pour chaque matrice | N'existe pas pour les matrices non diagonalisables |
| Bases de coordonnées utilisées | Utilise deux bases orthogonales distinctes | Utilise une seule base de vecteurs propres |
La décomposition en valeurs propres (EAR) est limitée aux matrices carrées, ce qui impose une structure stricte pour son fonctionnement. La décomposition en valeurs singulières (SVD) s'affranchit de cette contrainte, ce qui en fait un outil universel capable de traiter sans difficulté les ensembles de données rectangulaires. Cette flexibilité structurelle explique la grande popularité de la SVD en science des données, où les tableaux de données réels sont rarement des carrés parfaits.
La décomposition en valeurs propres étudie la transformation d'une matrice selon des directions invariantes, où certains vecteurs s'allongent ou se contractent sans que leur alignement ne soit modifié. La décomposition en valeurs singulières transforme un ensemble de vecteurs perpendiculaires en un autre ensemble de vecteurs perpendiculaires. Elle visualise le processus comme une rotation de l'espace, un étirement le long des axes principaux, et l'application d'une rotation finale.
Les bases de coordonnées obtenues par décomposition en valeurs singulières (SVD) sont toujours parfaitement perpendiculaires entre elles. La décomposition en valeurs propres (EVD) ne présente pas cette garantie et produit souvent des vecteurs propres asymétriques et non orthogonaux lorsqu'il s'agit de systèmes non symétriques. Cette perpendicularité fiable confère à la SVD une stabilité numérique supérieure, la protégeant des erreurs d'arrondi lors de simulations informatiques complexes.
Les valeurs obtenues par ces deux méthodes sont liées par une relation algébrique profonde. Les valeurs singulières découvertes par la décomposition en valeurs singulières (SVD) sont les racines carrées exactes des valeurs propres non nulles de la matrice, multipliées par sa transposée. Lorsqu'on analyse une matrice symétrique à valeurs positives, les deux opérations coïncident.
Les valeurs singulières et les valeurs propres sont des concepts identiques, désignés par des termes différents.
Ce sont des mesures distinctes qui ne concordent que sous certaines conditions, comme pour les matrices symétriques semi-définies positives. Pour la plupart des matrices, les valeurs propres reflètent l'étirement directionnel, tandis que les valeurs singulières représentent les longueurs des axes principaux d'une sphère transformée.
Vous pouvez utiliser la décomposition en valeurs propres sur n'importe quel ensemble de données en ajoutant un remplissage de zéros.
Le remplissage artificiel d'une matrice rectangulaire altère ses propriétés fondamentales et introduit des artefacts structurels indésirables. La décomposition en valeurs empiriques (EVD) requiert un opérateur linéaire carré, ce qui fait de la décomposition en valeurs singulières (SVD) le choix approprié pour des données intrinsèquement rectangulaires.
La décomposition en valeurs singulières (SVD) est trop gourmande en ressources de calcul pour être utilisée dans les systèmes logiciels en temps réel.
Bien que le calcul d'une SVD complète exige une puissance de calcul importante, les algorithmes SVD tronqués modernes ne calculent que les quelques valeurs singulières les plus élevées. Cela réduit considérablement les temps de traitement, permettant ainsi une exécution efficace dans le traitement vidéo en temps réel et les moteurs de recommandation en ligne.
Des vecteurs propres non orthogonaux signifient que la décomposition en valeurs propres est invalide.
Les vecteurs propres non orthogonaux sont parfaitement valides et reflètent simplement le fait que la matrice sous-jacente n'est pas normale. Bien qu'ils soient moins pratiques pour les transformations de coordonnées, ils décrivent avec précision comment un système s'étire le long d'axes non perpendiculaires.
Privilégiez la décomposition en valeurs propres pour l'analyse de systèmes carrés avec invariants physiques, comme l'analyse de stabilité, les chaînes de Markov ou la dynamique des systèmes. Utilisez la décomposition en valeurs singulières pour le traitement de tableaux de données rectangulaires, l'exécution d'approximations matricielles de faible rang ou lorsque des bases orthogonales garanties sont nécessaires pour la réduction du bruit.
L'abstraction mathématique élimine les réalités spécifiques pour révéler des structures algébriques et logiques universelles, tandis que la compréhension visuelle s'appuie sur l'intuition géométrique, le raisonnement spatial et l'imagerie mentale pour rendre ces concepts complexes immédiatement tangibles et intuitifs, formant ainsi une puissante approche duale pour résoudre des problèmes mathématiques complexes.
L'algèbre se concentre sur les règles abstraites des opérations et la manipulation des symboles pour résoudre des équations, tandis que la géométrie explore les propriétés physiques de l'espace, notamment la taille, la forme et la position relative des figures. Ensemble, elles constituent le fondement des mathématiques, traduisant les relations logiques en structures visuelles.
Alors que l'analyse de séquences s'appuie sur des formules algorithmiques, mathématiques et statistiques pour quantifier les alignements et extraire des mesures précises à partir de données ordonnées, la visualisation de modèles convertit ces flux de données complexes en agencements spatiaux intuitifs, déplaçant l'attention des calculs numériques vers une reconnaissance rapide des modèles par l'humain.
L'angle et la pente quantifient tous deux l'inclinaison d'une droite, mais ils s'expriment dans des langages mathématiques différents. Alors qu'un angle mesure la rotation circulaire entre deux droites sécantes en degrés ou en radians, la pente mesure le rapport entre la variation verticale (ou élévation) et la variation horizontale (ou distance parcourue) sous forme de rapport numérique.
Bien qu'ils puissent paraître mathématiquement opposés, le calcul différentiel et le calcul intégral sont en réalité les deux faces d'une même pièce. Le calcul différentiel s'intéresse aux variations des grandeurs à un instant précis, comme la vitesse instantanée d'une voiture, tandis que le calcul intégral additionne ces variations pour obtenir un résultat global, tel que la distance totale parcourue.
