2. 12.1 low-rank행렬의 근사값
• Rank 1 행렬의 연산
• 특이값 분해의 전반적인 내용은 low-rank의
k값을 어떻게 구할 것인가에 대한 것
• 주어진 행렬에 가장 가까운 랭크 k- 행렬을
찾는 문제를 정의하기 위해 행렬들에 대한 거
리를 정하는 것이 필요하고 이것이 Norm임
3. • 행렬 Norm은 단순 엔트리의 제곱합을
의미함
• 프로베니우스(Frobenius) Norm
• 프로네니우스 Norm은 벡터로 생각하여
연산을 하여도 같은 결과를 갖게 됨
의 값과
은 보는 것과 같이 결과를 갖는다
4. 12.2 트롤리 노선 위치
(Trolley-line-location) 문제
• 가상의 여러지점에 대해서 트롤리 노선을 어
떤식으로 놓을 것인지에 대한 결정을
이야기함
• 결론적인 해법을 먼저
제시하면 각 지점에서
노선이 수직으로 만나
는 거리의 합을 가지고
판단함
5. • 이부분을 수식적으로 정리를 해보면
(Definition10.1.4)에 의해 이므로
• 여기서 최상의 벡터 는 을 최대화하는 단위
벡터임
피타고라즈
정리에 의해
양변을 더하면
11. • 특이값 분해는 전치에 대해서 대칭성이다.
• 의 전치행령은 자신이기 때문
• 영이 아닌 특입값들의 개수는 rank A이다.
- 이는 A에 대한 최상의 랭크- k 근사는 A
자신
• 이제는 특이값 분해를 아핀공간에 적용하여 1
차원에서 구분하지 못한 것을 2차원에서 구할
수 있게 된다.