概念

分解定理

LU、QR 与奇异值分解把矩阵拆为结构简单的因子，是数值线性代数求解方程、最小二乘与数据降维的核心工具。

阅读路径

参考可汗学院 Get ready 机制：先修概念 → 当前概念 → 进阶概念，✓ 表示已读。

分解定理线性代数

01定义

把矩阵拆为结构简单的因子之积：LU 分解对应高斯消元，QR 分解对应正交化，奇异值分解

A=U\Sigma V^T

则是「旋转—伸缩—旋转」的终极解剖。分解是数值线性代数的三大支柱。

SVD：旋转 U、对角伸缩 Σ、旋转 Vᵀ 三因子分解

$A=LU$ （下三角×上三角）就是高斯消元的记录；求解 $Ax=b$ 化为两次回代，同一 $A$ 多右端项时优势巨大。

$A=QR$ （正交×上三角）由格拉姆-施密特产生；数值稳定性好，是解最小二乘与 QR 特征值算法的基础。

奇异值 $\sigma_i$ 是 $A^T A$ 特征值的平方根；截断 SVD（保留前 $k$ 个）给出最优低秩逼近——Eckart-Young 定理，是数据压缩与降维的数学保证。

A=U\Sigma V^T,\quad\sigma_i=\sqrt{\lambda_i(A^T A)}

\min_{\operatorname{rank}B\leq k}\|A-B\|=\sigma_{k+1}\quad(\text{Eckart-Young})

SVD 由贝尔特拉米（1873）与若尔当各自发现；20 世纪中叶成为数值线性代数标准工具；1965 年 Golub-Kahan 算法使其高效可算，从此统治数据科学。

推荐系统与搜索的降维（潜在语义分析）、图像压缩、伪逆 $A^+$ 求解病态方程、PCA 主成分分析——SVD 被称为「线性代数的高峰」。

矩阵的秩与列空间分解改变列向量：秩 r 是列空间的维数，A 可分解为 r 个秩 1 矩阵之和

a₁₁2.00a₂₁1.00a₁₂1.00a₂₂2.00