如果向量 \(\vec{v}\) 是方阵 \(A\) 的特征向量，那么有：
\[
A\nu = \lambda \nu
\]
\(\lambda\)为特征向量\(\vec{v}\)对应的特征值。特征值分解是将一个矩阵分解为如下形式：
\[
A=Q\sum Q^{-1}
\]
其中，\(Q\) 是这个矩阵 \(A\) 的特征向量组成的矩阵，\(\sum\) 是一个对角矩阵，每一个对角线元素就是一个特征值，里面的特征值是由大到小排列的，这些特征值所对应的特征向量就是描述这个矩阵变化方向（从主要的变化到次要的变化排列）。也就是说矩阵 \(A\) 的信息可以由其特征值和特征向量表示。
将矩阵 \(A\) 的转置乘以 \(A\) ，并对 \(AA^T\) 求特征值，有如下形式：
\[ (A^TA)V = \lambda V \]
这里\(V\)就是上面的右奇异向量，另外还有：
\[
\sigma_i = \sqrt{\lambda_i}, u_i=\frac{1}{\sigma_i}A\mu_i
\]
这里的 \(\sigma\) 就是奇异值，\(u\) 就是上面说的左奇异向量。奇异值 \(\sigma\) 跟特征值类似，在矩阵 \(\sum\) 中也是从大到小排列。
\(\sigma\) 的减少特别的快，在很多情况下，前 \(10\%\) 甚至 \(1\%\) 的奇异值的和就占了全部的奇异值之和的 \(99\%\) 以上了。也就是说，我们也可以用前 \(r\)（ \(r\) 远小于 \(m、n\) ）个的奇异值来近似描述矩阵，即部分奇异值分解：
\[
A_{m\times n}\approx U_{m \times r}\sum_{r\times r}V_{r \times n}^T
\]
右边的三个矩阵相乘的结果将会是一个接近于 \(A\) 的矩阵，在这儿，\(r\) 越接近于 \(n\) ，则相乘的结果越接近于 \(A\) 。
原文：https://www.cnblogs.com/solvit/p/11362903.html