利用矩阵奇异值分解(SVD)进行降维

1、SVD的优缺点及应用场合 1.优势：简化数据，去除噪声，提升算法的结果 2.缺点：数据的转换可能难以理解 3.适用场合：数值型数据 2、SVD算法主要用途 SVD是矩阵分解的一种类型，而矩阵分解是将数据矩阵分解成多个独立部分的过程。 1.隐性语义分析LSA 最先的SVD应用之一是信息检索，称为利用SVD的方法为隐性语义分析。在LSA中，一个矩阵是由文档和词语组成的。当在此矩阵上应用SVD时，就

>>阅读原文<<