奇异值分解（SVD）和主成分分析（PCA）



矩阵的奇异值是一个数学意义上的概念，一般是由奇异值分解（Singular Value Decomposition，简称SVD分解）得到。如果要问奇异值表示什么物理意义，那么就必须考虑在不同的实际工程应用中奇异值所对应的含义。

奇异值往往对应着矩阵中隐含的重要信息，且重要性和奇异值大小正相关。每个矩阵都可以表示为一系列秩为1的“小矩阵”之和，而奇异值则衡量了这些“小矩阵”对于的权重。奇异值的几何含义为：这组变换后的新的向量序列的长度

奇异值分解，就是把矩阵分成多个“分力”
奇异值的大小，就是各个“分力”的大小

设X是一个n*m的数据矩阵（在此不把它理解成变换），每一列表示一个数据点，每一行表示一维特征。

对X做主成分分析（PCA）的时候，需要求出各维特征的协方差，这个协方差矩阵是。
（其实需要先把数据平移使得数据的均值为0，不过在此忽略这些细节）
PCA做的事情，是对这个协方差矩阵做对角化：
可以这样理解上式右边各项的物理意义：用一个均值为0的多维正态分布来拟合数据，则正交矩阵P的每一列是正态分布的概率密度函数的等高线（椭圆）的各个轴的方向，而对角矩阵的对角线元素是数据在这些方向上的方差，它们的平方根跟椭圆各个轴的长度成正比。

现在来看数据矩阵X的奇异值分解：，其中U、V各列是单位正交的，S是对角阵，对角元非零。
由此式可以得到。
也就是说，SVD中的矩阵U相当于PCA中的矩阵P，不过仅保留了的非零特征值对应的那些特征向量，而（也只保留了非零特征值）。
所以，SVD中的U代表了X中数据形成的正态分布的轴的方向（一组单位正交基），代表了这些轴的长度（分布的标准差）。
那么V呢？可以把US放在一起看成一个由伸缩和旋转组成的坐标变换（不包括平移），数据矩阵X是由数据矩阵经此变换得来的，而的各列（V的各行）则服从标准正态分布。这也就是说，的各维特征（的各行，V的各列）是互不相关的且各自的方差均为1，也就是说V的各列是单位正交的。

现在换一个角度，把X中的各行看作数据，那么就也有了新的理解。
现在，的各行（V的各列）就成了X的各行形成的正态分布的轴向（单位正交基），是这些轴的长度，而U中的各行数据服从标准正态分布，U的各列单位正交。

可以看到，对于 这个式子，无论是把X的各行还是各列看成数据，都能解释U、V各列的单位正交性，但它们的单位正交性的含义不同（一个是单位正交基，一个是标准正态分布）。其中S除以数据个数的平方根后是标准正态分布在各个轴上的标准差，从两个角度看得到的标准差是成比例的。