SVD和PCA详细原理以及联系（包含公式推导）

初始假设 假设 X ∈ R n × d X \in R^{n \times d} X∈Rn×d，即为 n n n个样本， d d d维的矩阵，将每个数据矢量的条目合并，使得 X i T = ( X i 1 , … , X i d ) X_i^T = (X_i1, \ldots, X_id) XiT​=(Xi​1,…,Xi​d)。 在将这些向量放入数据矩阵之前，我们实际上会减去数据的平均值，即： μ

>>阅读原文<<