矩阵分解是线性代数的核心成果，贯穿理论与应用，支撑众多定理、算法与方法。但面对纷繁复杂的分解方式，很多人容易迷失方向。这里帮你理清头绪，掌握三大经典矩阵分解：

1️⃣ LU分解
从线性方程组说起。现实中的许多问题如经济模型、生化系统，都能用线性方程组描述。通过高斯消元法，将方程组转化为上三角形式，便于逐步求解。实际上，高斯消元等价于用一个下三角矩阵乘以系数矩阵，形成LU分解。LU分解不仅能解方程，还广泛应用于计算行列式、矩阵求逆等。

2️⃣ QR分解
矩阵也可看成一组列向量的集合。通过Gram-Schmidt正交化，这组向量可变成一组正交单位向量，形成正交矩阵Q和上三角矩阵R的乘积，即QR分解。QR分解在计算特征值、特征向量的QR算法中尤为重要，是数值线性代数中的利器。

3️⃣ 奇异值分解（SVD）
SVD是线性代数的巅峰成果，广泛应用于计算机科学和机器学习，比如PCA就是SVD的变种。把矩阵看作线性变换，SVD告诉我们任何线性变换都可以分解为“旋转+反射”→“拉伸”→“旋转+反射”的组合，对应矩阵分解成两个正交矩阵和一个对角矩阵的乘积。SVD不仅适用于方阵，也适用于非方阵。它让我们能定义非方阵的广义逆、降维、矩阵近似等，极大拓展了线性代数的应用边界。

总结：
矩阵分解帮我们把复杂问题拆解成简单而有结构的部分，既是理论基础，也助力实际算法。LU聚焦解线性方程，QR助力特征值计算，SVD则揭示矩阵结构本质，是现代数据科学不可或缺的工具。

原推文链接：x.com/TivadarDanka/status/1977796513196814629