从主成分分析（PCA）到奇异值分解（SVD）

PCA简介

主成分分析（principal factor analysis），简称PCA，是机器学习中非常常见的压缩降维方法。为什么需要压缩降维？是由于高维的样本本身存在冗余、稀疏的特点，直接把高维样本用于拟合或者模式识别，极其容易出现过拟合。而在处理实际问题时，与学习任务相关的也许仅是高维样本的某个低维分布，因而需要降维。（举个例子，如……）

PCA的降维思想是，在高维的样本空间中，寻找一个低维的超平面，把所有高维样本投影于此超平面上，得到低维样本，并且使投影误差最小，或者使投影得到的样本最大可分。

PCA的数学表示

紧接着上述提到的两种性质，在描述PCA的降维思想时，有以下两种定义方式：

• 最小误差形式
• 最大方差形式

可以从数学推导上证明，两种定义方式最终导出的结果等价，可以得到一样的算法。（两种方法的数学推导过程有时间再补充……）

（算法流程待补充……）

总结来说，主成分分析涉及到计算数据集的均值 x¯ x ¯ 和协方差矩阵 S S ，然后寻找协方差矩阵的对应于 M M 个最大特征值的 M M 个特征向量，从而得到投影矩阵。

PCA与SVD的关系

PCA与SVD的关系主要体现在求解特征向量的过程。在一般介绍PCA算法原理的资料中，均是要先求得样本的协方差矩阵，然后从协方差矩阵中求解得特征值和特征向量。然而，对于归一化的样本，协方差矩阵 S=XXT S = X X T （待补充数学证明），而某些SVD的实现方法可以从样本矩阵 X X 中直接求得，而不用先计算协方差矩阵，降低计算量，提高计算效率。

SVD简介

奇异值分解（singular value decomposition），简称SVD，是线性代数里一个非常重要的概念。SVD的目的是求取矩阵的特征值和特征向量，与矩阵的特征分解有密切的联系。但与特征分解不同的是，特征分解要求矩阵必须为方阵，而奇异值分解则无此要求，所有矩阵都可以用SVD求得其特征值和特征向量。

（此处补充SVD的定义，左奇异矩阵、右奇异矩阵等，有必要再补充SVD的求解过程）

PCA以及SVD的编程实现

（简单的Python实现）

PCA的应用举例

（举特征脸的例子）

列举一些相关网站
PCA：
http://www.cnblogs.com/LeftNotEasy/archive/2011/01/08/lda-and-pca-machine-learning.html
http://www.cnblogs.com/pinard/p/6239403.html
https://blog.csdn.net/puredreammer/article/details/52255025
http://scikit-learn.org/stable/modules/decomposition.html#pca
SVD：
http://www.cnblogs.com/LeftNotEasy/archive/2011/01/19/svd-and-applications.html
https://www.cnblogs.com/pinard/p/6251584.html
http://www.ams.org/publicoutreach/feature-column/fcarc-svd
https://blog.csdn.net/u010099080/article/details/68060274