Beruflich Dokumente
Kultur Dokumente
Réductions de matrices
Objectif d’une réduction
Cas symétrique
Semaine 2
Cas général : SVD I Produit scalaire, projections, interprétations géométriques
SVD : Exemple d’application
I Réductions de matrices
Anne Sabourin
Fondamentaux pour le Big Data
c Télécom ParisTech 1/14
Réduction de matrices
Principe : Matrice quelconque → produit de matrices simples,
ex : matrices orthogonales, dilatations . . .
Applications
I Inversion de matrice, résolution de système linéaire, solution
Fondamentaux d’algèbre
linéaire moindres carrés.
I Analyse en composantes principales (ACP) : directions de
plus grande variance d’un jeu de données.
Réductions de matrices
Objectif d’une réduction
Cas symétrique
Cas général : SVD
SVD : Exemple d’application
Anne Sabourin
Fondamentaux pour le Big Data
c Télécom ParisTech 2/14
Matrice diagonale, vecteurs propres, valeurs
propres
I Une matrice carrée D est diagonale si tous ses coefficients
sont nuls sauf les coefficients diagonaux
σ1 0
Fondamentaux d’algèbre D=
.. ⇔ f (ui ) = σi ui pour f ↔U M.
.
linéaire
0 σn
Réductions de matrices I On dit que ui est vecteur propre de f associé à la valeur
Objectif d’une réduction
propre σi
Cas symétrique
Cas général : SVD
SVD : Exemple d’application
Anne Sabourin
Fondamentaux pour le Big Data
c Télécom ParisTech 3/14
Matrice/ application diagonalisable
I f : Rn → Rn est diagonalisable si ∃ U : f (ui ) = σi ui
I M est diagonalisable si f ↔e M l’est.
⇔ ∃P, matrice de passage, telle que
D = P −1 MP diagonale.
Fondamentaux d’algèbre
linéaire I Colonnes de P : vecteurs propres de M et f .
Réductions de matrices M (ou f ) est diagonalisable s’il existe une base de vecteurs
Objectif d’une réduction propres pour M (ou f ).
Cas symétrique
Cas général : SVD
SVD : Exemple d’application
Anne Sabourin
Fondamentaux pour le Big Data
c Télécom ParisTech 4/14
Diagonalisation des matrices symétriques
Théorème
Toute matrice symétrique réelle est diagonalisable en base
Fondamentaux d’algèbre
linéaire orthornormée
I en base orthornormée : avec une matrice de passage
Réductions de matrices orthogonale.
Objectif d’une réduction
Cas symétrique
I Autrement dit, si M est symétrique et [f ] = M, il existe une
Cas général : SVD base orthonormée U, telle que [f ]uu soit diagonale.
SVD : Exemple d’application
I ou encore : si M est symétrique, il existe une matrice
orthogonale P et une matrice diagonale D telles que
M = PDP > .
Anne Sabourin
Fondamentaux pour le Big Data
c Télécom ParisTech 5/14
Décomposition en valeurs singulières (SVD)
Anne Sabourin
Fondamentaux pour le Big Data
c Télécom ParisTech 6/14
Soit M ∈ Rn×p . On peut trouver
SVD : existence
I U ∈ Rn×n et V ∈ Rp×p , orthogonales (UU T = 0, VV T = 0)
I une matrice ‘diagonale’ Σ ∈ Rn×p de coefficients diagonaux
positifs ou nuls,
telles que
Fondamentaux d’algèbre M = UΣV >
linéaire
Cette décomposition est la SVD de M.
Réductions de matrices remarques :
Objectif d’une réduction
I matrice Σ ‘diagonale’ :
Cas symétrique
0
Cas général : SVD σ1
0
SVD : Exemple d’application σ1
..
.
0
..
Σ=
.
ou Σ =
0 σp
0 σn
0
Anne Sabourin
Fondamentaux pour le Big Data
c Télécom ParisTech 8/14
SVD : interprétation application linéaire
I Soit f linéaire, f ∼(e)p ,(e)n M.
I Existence de la SVD ⇔ existence de U, V, orthonormales,
telles que
f ∼U ,V Σ.
Fondamentaux d’algèbre
linéaire U : colonnes de U ; V : colonnes de V ;
Vecteurs, valeurs singulières
Réductions de matrices
Objectif d’une réduction f (vi ) = σi ui , i ≤ min(n, p)
Cas symétrique
Cas général : SVD ui : vecteurs singuliers à gauche,
SVD : Exemple d’application
vi : vecteurs singuliers à gauche,
σi : valeurs singulières.
Anne Sabourin
Fondamentaux pour le Big Data
c Télécom ParisTech 9/14
SVD : interpretation matrices
M = UΣV > ⇔ MV = ΣU
⇔ MVi = σi Ui , i ≤ min(n, p)
(Vi , Ui : colonnes de V et U. )
Fondamentaux d’algèbre
linéaire I Vi vecteurs singuliers à droite de M
I Ui vecteurs singuliers à gauche de M
Réductions de matrices I σi : valeurs singulières.
Objectif d’une réduction
Cas symétrique
v1>
Cas général : SVD
SVD : Exemple d’application
0
σ1
..
0 ..
u1 . . . un
M=
.
.
0 σn
vp>
Anne Sabourin
Fondamentaux pour le Big Data
c Télécom ParisTech 10/14
Application : solution de moindres carrés
Anne Sabourin
Fondamentaux pour le Big Data
c Télécom ParisTech 11/14
Solution : pseudo-inverse et SVD
déf : pseudo-inverse de M : La matrice M † telle que, ∀ Y ,
le vecteur X̂ = M † Y soit
Anne Sabourin
Fondamentaux pour le Big Data
c Télécom ParisTech 12/14
Moindres carrés : conclusion
Solution choisie : X ∗ = V Σ† U Y (= X̂ )
Fondamentaux d’algèbre
linéaire
I Existe même si M > M non inversible !
Réductions de matrices
Objectif d’une réduction
Cas symétrique
I Stable si M > M inversible mais avec très petites valeurs
Cas général : SVD propres (colonnes ’presque’ colinéaires).
Coût numérique : la décomposition U, Σ, V > .
SVD : Exemple d’application
I
Anne Sabourin
Fondamentaux pour le Big Data
c Télécom ParisTech 13/14
Conclusion du cours
Anne Sabourin
Fondamentaux pour le Big Data
c Télécom ParisTech 14/14