EVD特征值分解、SVD奇异值分解、PCA主成分分析

笼统地说特征值分解只能对应于方阵，而奇异值分解可以对应于任何的矩阵，奇异值分解的目的是用来做数据的降维处理，应用于推荐系统中时，由于用户和商品之间形成的矩阵时稀疏矩阵，可以降维之后得到商品的表达式，我们有比较快的例子，奇异值分解习题
但是呢，

有两种推断奇异值分解的方法：我更加i青睐于第一种，

[机器学习笔记]奇异值分解SVD简介及其在推荐系统中的简单应用
以下是第二种：
是先用特征值分解，用对称矩阵进行变换，
奇异值分解(SVD)原理详解及推导
其中有涉及到旋转矩阵


矩阵乘法：

只是对vi的由来没有描述很清楚，为什么会有

我始终没有弄得很清楚，
但是在第一篇文章中的：

才让我知道了vi的由来。

PCA
见马同学高等数学中的专栏，