奇异值分解计算器

奇异值分解 A = UΣVᵀ 是「任意矩阵的对角化」：U、V 是正交矩阵，Σ 是对角矩阵（奇异值 σ₁ ≥ σ₂ ≥ … ≥ 0）。对角矩阵 [[3,0],[0,2]] 的奇异值就是 3 和 2。

SVD 是现代数据科学的引擎：① 图像压缩——只保留前 k 个奇异值，存储量骤降；② PCA——主成分即 V 的列；③ 推荐系统——协同过滤的矩阵补全；④ 伪逆 A⁺ = VΣ⁺Uᵀ——最小二乘的通用钥匙。

奇异值分解被誉为线性代数的「瑞士军刀」：任何 m×n 实矩阵都能写成 A = UΣVᵀ，其中 U、V 是正交矩阵，Σ 是对角线上排着非负奇异值 σ₁≥σ₂≥…≥0 的「准对角阵」。几何含义极为干净——任何线性变换都可以分解为「旋转/镜像（Vᵀ）→ 沿坐标轴缩放（Σ）→ 再旋转/镜像（U）」三步，奇异值就是各主方向上的伸缩倍数。

与特征分解相比，SVD 的普适性是质变：特征分解只对方阵有定义且可能不存在（亏损矩阵），SVD 对任何形状、任何秩的矩阵恒存在且数值稳定——因为 AᵀA 与 AAᵀ 恒为半正定对称阵，特征值必为非负实数。矩阵的秩、范数、条件数、值域与零空间的正交基，全部能从 U、Σ、V 中直接读出。

应用清单几乎可以写满一页：低秩近似（Eckart-Young 定理：截断到前 k 项是秩 k 最优逼近，图像压缩与 PCA 降维 的核心）、伪逆 A⁺=VΣ⁺Uᵀ（最小二乘 的稳健解法）、推荐系统（Netflix 竞赛的矩阵分解）、潜在语义分析、噪声过滤。它把「矩阵」从数字表格升格为可读的几何机器。

SVD 的几何解释极其直观：任意线性变换都可以分解为「旋转（Vᵀ）→ 各向异性缩放（Σ）→ 再旋转（U）」三步。奇异值 σᵢ 衡量了对应方向上的伸缩倍数，大的奇异值对应「重要方向」，零奇异值对应「被压缩为零的方向」。这就是 SVD 作为数据降维工具的根本原理。

SVD 是最可靠的矩阵分解：所有矩阵（哪怕奇异、非方阵）都有 SVD，且唯一（不计算重排列顺序）。它是最小二乘法中求解超定方程组最稳定的方法——当矩阵接近奇异时，SVD 仍然能给出有意义的解，而直接求正规方程 (AᵀA)⁻¹Aᵀb 会放大舍入误差导致结果不可用。

SVD 的经典应用：图像压缩（保留前 k 个最大奇异值，丢弃小奇异值，压缩比可达 90% 以上）、推荐系统（对用户-物品评分矩阵做 SVD 后可预测缺失评分——Netflix Prize 冠军算法的核心）、潜在语义分析（对词-文档矩阵 SVD 发现文本的隐藏语义结构）、主成分分析（PCA 本质上等价于对中心化数据矩阵做 SVD）。