PCA降维示意以及SVD辅助作用体现

前言：仅个人小记 一、简要介绍PCA降维思想 对角化并引出正交矩阵Q A T A = P Λ P − 1 = Q Λ Q T {A}^{T}A=P\Lambda {P}^{-1} = Q\Lambda {Q}^{T} ATA=PΛP−1=QΛQT其中，A是m*n的矩阵，A的每一个列向量代表着一个数据样本，即A是由n个m维度的数据样本构成的数据矩阵。 Λ \Lambda Λ是对角矩阵，且对角线上的值

>>阅读原文<<