Brain-Score 95/100 TECH Steve Brunton · 14:55

Singular Value Decomposition (SVD): Matrix Approximation

Singular Value Decomposition (SVD): Matrix Approximation
Watch in DeepScroll Feed → Watch Original on YouTube

3-Second Blueprint (English)

  1. SVD factors a data matrix X into U, Sigma, and V^T, expanding X as a sum of rank-one matrices ordered by singular value magnitude.
  2. For tall, skinny matrices (n >> m), the economy SVD retains only the first m columns of U and m x m singular values without losing accuracy.
  3. Truncating small singular values beyond rank r yields the provably optimal rank-r approximation of X under the Eckart-Young theorem.
Singular Value DecompositionEconomy SVDLow-Rank ApproximationEckart-Young Theorem

3-Sekunden-Fazit (Deutsch)

  1. Die Singulärwertzerlegung faktorisiert X in U, Sigma und V^T und stellt X als Summe nach Wichtigkeit geordneter Rang-1-Matrizen dar.
  2. Für schmale Matrizen (n >> m) speichert die Economy-SVD exakt und effizient nur die ersten m Spalten von U sowie den m×m-Block von Sigma.
  3. Das Abschneiden kleiner Singulärwerte ab Rang r liefert gemäß dem Satz von Eckart und Young die bestmögliche Rang-r-Approximation von X.
Singulärwertzerlegung (SVD)Economy-SVDNiedrigrang-ApproximationEckart-Young-Theorem

Note / Hinweis: Blueprints are AI-generated educational summaries (0% Politics · 0% Religion · 0% Brainrot) and do not constitute medical, legal, or financial advice. / KI-generierte Zusammenfassung zu Bildungszwecken – ersetzt keine medizinische, rechtliche oder finanzielle Fachberatung.