scikit-learn：2.5.矩阵因子分解问题

http://scikit-learn.org/stable/modules/decomposition.html#lsa

2.5.1：PCA

标准PCA：只支持批量处理

incremental PCA：支持分批处理，对于内存容不下的情况很好

Approximate PCA：RandomizedPCA 通过computation to an approximated estimate（而非确切的） of the singular vectors，减少运行时间、存储空间。

Kernel PCA：通过使用核，达到非线性维度缩减（achieves non-linear dimensionality reduction through the use of kernels）。

SparsePCA and MiniBatchSparsePCA：faster but less accurate. The increased speed is reached by iterating over small chunks of the set of features, for a given number of iterations.

2.5.2：Truncated singular value decomposition and latent semantic analysis（截断SVD和LSA/LSA）

先说明：latent semantic indexing, LSI和latent semantic analysis, LSA本质一样。

TruncatedSVD是SVD的变形，只计算用户指定的最大的K，个奇异值。

具体内容参考我的这篇文章吧：

http://blog.csdn.net/mmc2015/article/details/46867773