---
title: "奇異值分解（Singular Value Decomposition）"
slug: singular-value-decomposition
language: zh-TW
source: https://aiterms.tw/terms/singular-value-decomposition
updated_at: 2026-04-29
tags: [數學基礎, 機器學習, 資料處理, 推薦系統, 特徵工程, 統計方法, Python程式]
ipas_term: false
---

# 奇異值分解（Singular Value Decomposition）

> **你有沒有在你面對一個很大的矩陣，想把它壓縮、找結構或去雜訊，發現只看表面常常不夠？**
>
> 你可以把它想成把矩陣拆成三塊，抓出真正重要的方向和權重。
>
> 很多降維、壓縮和推薦問題，都會先靠它找出低秩結構。
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 容易混淆
> **主成分分析 (PCA)**
> PCA 像找到資料中最重要的幾個「方向」來投影，有點像從特定角度看資料。
> SVD 則更像是一種底層的「萬能分解器」，它能把任何矩陣都拆開，PCA 其實就是 SVD 的一種應用，SVD 功能更廣泛，能處理更多不同類型的問題。
>
> 最關鍵的區別：先看它是在比意思、比結構，還是在做任務輸出。

### 記住這句就好
> 把矩陣拆成三部分，找出重要方向，就是 SVD。

### 實際案例
> 圖片壓縮會保留主要奇異值，丟掉不重要的部分，檔案就變小。
> 推薦系統可用矩陣分解找出使用者與商品的潛在偏好。

### 算法與應用
> SVD 會把矩陣分成 U、Σ、V^T，奇異值越大代表那個方向越重要。
> 截斷奇異值後，常能得到低秩近似、降噪和特徵抽取。

### 情境判斷
> **Q1（直覺題）：** 如果你只想把資料壓縮得更小，SVD 有幫助嗎？
>
> → 有。保留主要奇異值就能做近似壓縮。
>
> **Q2（判斷題）：** 如果資料本身很稀疏，還能直接用 SVD 嗎？
>
> → 看情況。稀疏矩陣常需要配合更省記憶體的演算法。

### 常見問題
> **Q：SVD 和 PCA 有什麼關係？**
> SVD 和 PCA (主成分分析) 密切相關。PCA 可以看作是使用 SVD 對資料進行降維的一種特殊情況。具體來說，PCA 是對資料的協方差矩陣進行特徵值分解，而協方差矩陣可以通過 SVD 分解得到。因此，SVD 可以用於實現 PCA。
>
> **Q：如何選擇 SVD 降維的維度 k？**
> 選擇 SVD 降維的維度 k 需要權衡信息保留和降維效果。一種常用的方法是觀察奇異值的衰減情況。通常，選擇前 k 個奇異值，使得它們的平方和佔所有奇異值平方和的較大比例（例如 90% 或 95%）。也可以通過交叉驗證等方法來選擇最佳的 k 值。
>
> **Q：SVD 的計算複雜度是多少？**
> SVD 的計算複雜度取決於矩陣的大小。對於一個 m x n 的矩陣，其計算複雜度通常為 O(mn<sup>2</sup>) 或 O(m<sup>2</sup>n)，取決於 m 和 n 的大小關係。對於大型矩陣，可以使用一些優化算法來加速 SVD 的計算，例如隨機 SVD。

### 相關術語
> - **降維處理**：SVD 是最常見的降維工具之一。
> - **特徵值**：理解奇異值和特徵值時，這是必要的基礎。
> - **特徵向量**：和特徵值一起看，最能建立矩陣直覺。
> - **矩陣分解**：SVD 本質上就是矩陣分解的代表例子。
> - **主成分分析**：PCA 和 SVD 的關係常一起出題。

---

來源：https://aiterms.tw/terms/singular-value-decomposition
快查頁：https://aiterms.tw/terms/singular-value-decomposition
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-singular-value-decomposition