این مقاله مفهوم فاکتورگیری یک ماتریس را بر پایه تجزیه مقدار منفرد (SVD) توضیح می دهد و درباره روش هایی بر روی ماتریس های متقارن مربعی مانند تجزیه طیفی (spectral decomposition) بحث می کند.تکنیک تجزیه مقدار منفرد (SVD)٬ جهت حل سیستم های معادلات خطی شرح داده شده است.
تکنیک (SVD) بهترین روش برای کاهش ابعاد داده به صورت خطی میباشد. یعنی با حذف ضرایب کماهمیت بدست آمده از این تبدیل، اطلاعات از دست رفته نسبت به روشهای دیگر کمتر است. البته کاربرد (SVD) محدود به کاهش ابعاد داده نمیشود و در زمینههای دیگری مانند شناسایی الگو و تشخیص چهره نیز مورد استفاده قرار میگیرد.
در این روش محورهای مختصات جدیدی برای دادهها تعریف شده و دادهها براساس این محورهای مختصات جدید بیان میشوند. اولین محور باید در جهتی قرار گیرد که واریانس دادهها ماکسیمم شود (یعنی در جهتی که پراکندگی دادهها بیشتر است). دومین محور باید عمود بر محور اول به گونهای قرار گیرد که واریانس دادهها ماکسیمم شود. به همین ترتیب محورهای بعدی عمود بر تمامی محورهای قبلی به گونهای قرار میگیرند که دادهها در آن جهت دارای بیشترین پراکندگی باشند.
معرفی singular value decomposition (SVD)