SVD與PCA區別
矩陣對向量的乘法，對應於該向量得旋轉、伸縮。若對某向量只發生了伸縮而無旋轉變化，則該向量是該矩陣的特徵向量，伸縮比爲特徵值。
- PCA用來用來提取一個場的主要信息（即對數據集的列數——特徵進行主成分分析），而SVD一般用來分析兩個場的相關關係。
- PCA通過分解一個場的協方差矩陣（對特徵），SVD是通過矩陣奇異值分解的方法分解兩個場的協方差矩陣（特徵、樣本量）。
- PCA可用於特徵的壓縮、降維（去噪），SVD能夠對一般矩陣分解，可用於個性化推薦。同時也可以用於NLP中的算法，比如潛在語義索引（LSI）等。
其實PCA幾乎可以說是對SVD的一個包裝，如果我們實現了SVD，那也就實現了PCA了。而且更好的地方是，有了SVD，我們就可以得到兩個方向的PCA，如果我們對矩陣進行特徵值的分解，只能得到一個方向的PCA。