Scribd
Importer
4 vues9 pages

SVD, PCA Et Leur Lien (Section 4.8) : GSF-6006 Finance Computationnelle Avancée

Le document traite de la décomposition en valeurs singulières (SVD) et de l'analyse en composantes principales (PCA), en établissant un lien entre les deux méthodes. Il explique que la SVD permet de décomposer une matrice en matrices orthonormales et une matrice diagonale, tandis que la PCA se concentre sur la maximisation de la variance des données centrées. Enfin, il souligne que les directions et variances obtenues par PCA correspondent aux colonnes de la matrice V de la SVD.

Transféré par

Caleb TIETI
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd
4 vues9 pages

SVD, PCA Et Leur Lien (Section 4.8) : GSF-6006 Finance Computationnelle Avancée

Le document traite de la décomposition en valeurs singulières (SVD) et de l'analyse en composantes principales (PCA), en établissant un lien entre les deux méthodes. Il explique que la SVD permet de décomposer une matrice en matrices orthonormales et une matrice diagonale, tandis que la PCA se concentre sur la maximisation de la variance des données centrées. Enfin, il souligne que les directions et variances obtenues par PCA correspondent aux colonnes de la matrice V de la SVD.

Transféré par

Caleb TIETI
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

SVD, PCA et leur lien (section 4.

8)

GSF-6006 Finance computationnelle avancée

Université Laval

Hiver 2026

1/9
Plan

1 Théorème de la SVD : existence, interprétation géométrique

2 PCA : problème de maximisation de variance (définition)

3 Lien PCA–SVD : mêmes directions, mêmes variances, mêmes scores

2/9
Théorème (décomposition en valeurs singulières)

Pour toute matrice X ∈ Rn×p , il existe des matrices orthonormales U ∈ Rn×n et V ∈ Rp×p , et
une matrice diagonale rectangulaire Σ ∈ Rn×p telles que

X = U Σ V ′, Σ = diag(σ1 , . . . , σr ), σ1 ≥ · · · ≥ σr ≥ 0

où r = rang(X )

• Colonnes de U : vecteurs singuliers gauches

• Colonnes de V : vecteurs singuliers droits

• σj : valeurs singulières

3/9
Interprétation : rotation → échelle → rotation

Pour un vecteur z ∈ Rp :
Xz = U Σ (V ′ z)

Donc l’application linéaire X agit comme :

(rotation/reflexion) V ′ ⇒ (mise à l’échelle) Σ ⇒ (rotation/reflexion) U

Géométriquement : la sphère unité est envoyée sur un ellipsoïde dont les demi-axes sont
σ1 , σ2 , . . ..

4/9
SVD visuellement : V ′ puis Σ puis U

1) Entrée 2) Après V ′ 3) Après Σ 4) Après U

e2 σ2 u
v2 σ2 v2 2
V′ Σ U
rotation vétirement
1 rotation
e1 σ1 v1
σ1 u
1

sphère unité (2D) sphère, axes v1 , v2 étirement le long de v1 , v2 mêmes axes, tournés

X = U Σ V ′ : sphère unité → ellipsoïde

5/9
PCA : problème de maximisation (1ère composante)

On suppose les colonnes de X centrées. La covariance empirique est


1 ′
S= XX
n
La première direction principale v1 résout

v1 = arg max Var(Xv ) = arg max v ′ S v


∥v ∥=1 ∥v ∥=1

Solution :

v1 est un vecteur propre associé à la plus grande valeur propre de S

6/9
PCA : composantes suivantes + scores

Pour j ≥ 2,
vj = arg max v ′S v
∥v ∥=1, v ⊥v1 ,...,vj−1

donc vj est le j-ième vecteur propre de S (ordre décroissant)

• Loadings : V = (v1 , . . . , vp )

• Scores : Z = XV (coordonnées des observations dans la base PCA)

• Variance expliquée : Var(Z·j ) = λj

7/9
Lien PCA–SVD (le point clé)

Si X = UΣV ′ est la SVD de X (centrée), alors

1 ′ 1
S= X X = V (Σ′ Σ)V ′
n n
Donc :
• les directions PCA (vecteurs propres) sont les colonnes de V (à un signe près)

• les valeurs propres vérifient λj = σj2 /n

• les scores PCA :


Z = XV = UΣ

8/9
Conclusion

• SVD : X = UΣV ′ = rotation → échelle → rotation

• PCA : maximise v ′ Sv sous contraintes d’orthogonalité

• Lien : PCA est une eigen-décomposition de S, et la SVD de X la fournit

9/9

Vous aimerez peut-être aussi