SVD and PCA
MIT 线性代数课程中讲过的矩阵分解有很多种，但是据我所知最重要的应该是SVD分解了，假如现在想把矩阵A行空间的正交基通过A左乘的方法变换到A列空间的正交基，有：
将上式左右两边都乘以V的转置，就可以得到矩阵奇异值分解的公式，SVD的分解式子如下(矩阵A从这里开始用X表示)：
假如原来X是m*n的矩阵，那么U一般是m*r，sigma一般是r*r，V一般是n*r,
V的每列都是行空间的标准正交基，U的每列都是列空间的标准正交基。
这个r一般选取的是Rank(X),但有时也可以近似分解，选择r<rank(X)。
这里需要说明的一点是，其实U可以写成m*m,sigma写成m*n,V写成n*n,在这样的情况下，
sigma中有很多0的元素，所以U中的后面几列和V中的后面几列是对于乘法是没有作用的，
这里省去，但是如果非要写成m*m,m*n,n*n的形式，则在U的后面几列后面补上X的零空间
的正交基和V的后面几列补上X的左零空间的正交基即可。
一般来说，sigma是一个对角矩阵，且对角线元素是方阵
和方阵
特征值的正平方根，
且按照降序排放。可以发现，V的每列都是的特征向量，U的每列都是的特征向量，
第i列的特征向量对应的特征值是
,他们分别都是按照特征值下降的顺序排放。
SVD能解决哪些问题呢？第一就是解决PCA，可以发现
这个式子左边的矩阵，其实就是X这个数据集(已经预处理，均值为0)协方差矩阵（设为M）的前K个特征值所对应的特征向量转置排列后而成。由于数据已经预处理，根据协方差矩阵的计算公式，易得=(n-1)*M（n是样本个数），因此与M所对应特征向量是相同的，如果奇异值分解也取近似（取r=k<Rank(X)),只需要用SVD分解后的
乘以X就能得到PCA降维后的X'。