奇异值分解（Singular Value Decomposition）
1.奇异值分解是矩阵分解的一种方法
2.特征值和特征向量：Ax=λx.矩阵的乘法最后可以用特征值来代替使用，可以简化很多运算。
①A必须是n×n的方阵；
②正常对方阵进行分解
③分解形式：A = W∑W的转置
3.机器学习中大量数据集的行列不相同，即不是方阵，而是一个m×n的矩阵。SVD可以对矩阵进行分解。
①分解形式：A=UΣV的转置，其中，A是m×n的矩阵，U是m×m的矩阵，Σ是m×n的矩阵，V是n×n的矩阵。
②U称为左奇异变量，根据特征向量的求法，要求U特征向量必须是方阵，所以凑方阵,如下图所示
③V称为左奇异变量，根据特征向量的求法，要求V特征向量必须是方阵，所以凑方阵,如下图所示
④求解Σ特征值矩阵
4.矩阵的奇异值分解有什么意义？
①SVD可以用于PCA降维，来做数据压缩和去噪。也可以用于推荐算法，将用户和喜好对应的矩阵做特征分解，进而得到隐含的用户需求来做推荐。同时也可以用于NLP中的算法，比如潜在语义索引（LSI）。
5.PCA降维，需要找到样本协方差矩阵XTX的最大的d个特征向量，然后用这最大的d个特征向量张成的矩阵来做低维投影降维。当样本数多样本特征数也多的时候，这个计算量是很大的。而SVD中求解非方阵矩阵，就是要求这个值，有一些SVD的实现算法可以不求先求出协方差矩阵XTX，也能求出我们的右奇异矩阵V。也就是说，我们的PCA算法可以不用做特征分解，而是做SVD来完成。这个方法在样本量很大的时候很有效。实际上，scikit-learn的PCA算法的背后真正的实现就是用的SVD，而不是我们我们认为的暴力特征分解。
6.在处理数据集中左右奇异矩阵的作用：左奇异矩阵可以用于行数的压缩。相对的，右奇异矩阵可以用于列数即特征维度的压缩，也就是我们的PCA降维。
7.奇异值分解的优点：SVD作为一个很基本的算法，在很多机器学习算法中都有它的身影，特别是在现在的大数据时代，由于SVD可以实现并行化，因此更是大展身手。
8.奇异值分解的缺点：分解出的矩阵解释性往往不强，有点黑盒子的味道，不过这不影响它的使用.
主成分分析法（PCA）
1.概念：主成分分析（Principal components analysis，以下简称PCA）是最重要的降维方法之一。在数据压缩消除冗余和数据噪音消除等领域都有广泛的应用。一般我们提到降维最容易想到的算法就是PCA.
2.作用：PCA顾名思义，就是找出数据里最主要的方面，用数据里最主要的方面来代替原始数据。具体的，假如我们的数据集是n维的，共有m个数据(x(1),x(2),...,x(m))(x(1),x(2),...,x(m))。我们希望将这m个数据的维度从n维降到n'维，希望这m个n'维的数据集尽可能的代表原始数据集。我们知道数据从n维降到n'维肯定会有损失，但是我们希望损失尽可能的小
3.基于小于投影距离
4.基于最大投影方差
知识点补充：
1.协方差矩阵度量了两个矩阵之间的相关性多大
2.方差度量了数据集的信息度，方差越大表示信息量越大，数据比较随机，信息熵越大；方差越小表示信息量小，数据比较统一，信息熵小；
3.特征值和特征向量求解方法：
①定义：设A是n阶矩阵，如果数λ和n维非零列向量x使得关系式Ax=λx成立，那么，这样的数λ就称为方阵A的特征值，非零向量x称为A对应于特征值λ的特征向量。
②对关系式进行变换：(A-λE)x=0 其中E为单位矩阵。这是n个未知数n个方程的齐次线性方程组，它有非零解的充要条件是系数行列式为0，即|A-λE|=0。带入具体的数字或者符号，可以看出该式是以λ为未知数的一元n次方程，称为方阵A的特征方程，左端 |A-λE|是λ的n次多项式，也称为方阵A的特征多项式；
参考文献
[2] 主成分分析（PCA）原理总结
