1.原理
SVD的基本公式：
U 和 V 我们都求出来了，现在就剩下奇异值矩阵 ∑没有求出了。由于 ∑除了对角线上是奇异值其他位置都是0，那我们只需要求出每个奇异值 σ 就可以了。
我们注意到:
这样我们可以求出我们的每个奇异值，进而求出奇异值矩阵 ∑ 。
上面还有一个问题没有讲，就是我们说 ATA的特征向量组成的就是我们SVD中的 V矩阵，而AAT 的特征向量组成的就是我们SVD中的 U
矩阵，这有什么根据吗？这个其实很容易证明，我们以 V 矩阵的证明为例。
上式证明使用了
。可以看出 ATA 的特征向量组成的的确就是我们SVD中的 V矩阵。类似的方法可以得到 AAT 的特征向量组成的就是我们SVD中的 U 矩阵。进一步我们还可以看出我们的特征值矩阵等于奇异值矩阵的平方，也就是说特征值和奇异值满足如下关系：
这样也就是说，我们可以通过求出 ATA 的特征值取平方根来求奇异值。
2.性质
对于奇异值，它跟我们特征分解中的特征值类似，在奇异值矩阵中也是按照从大到小排列，而且奇异值的减少特别的快，在很多情况下，前10%甚至1%的奇异值的和就占了全部的奇异值之和的99%以上的比例。也就是说，我们也可以用最大的 k个的奇异值和对应的左右奇异向量来近似描述矩阵。也就是说，可以对 U∑VT
三个矩阵进行裁剪，比如将特征 n维降至 k 维，那么
即可。
由于这个重要的性质，SVD可以用于PCA降维，来做数据压缩和去噪。也可以用于推荐算法，将用户和喜好对应的矩阵做特征分解，进而得到隐含的用户需求来做推荐。同时也可以用于NLP中的算法，比如潜在语义索引（LSI）。下面我们就对SVD用于PCA降维做一个介绍。
3.SVD优缺点
1.SVD可以实现并行化
2.SVD简单
3.SVD的缺点是分解出的矩阵解释性往往不强，不过这不影响它的使用。
SVD最早的应用之一是信息检索，我们称利用SVD的方法为潜在语义索引(Latent Semantic Indexing ，LSI)或潜在语义分析(Latent Semantic Analysis ，LSA)。
SVD另一个应用为推荐系统应用，简单版本的推荐系统能够计算物品item或者用户user之间的相似度，可以用SVD将原始数据映射到低维空间中，然后节省计算相似度时的计算资源。
原文地址：https://zhuanlan.zhihu.com/p/32600280
PCA降维，对样本数据来言，可以是没有类别标签 y 的。如果我们做回归时，如果特征太多，那么会产生不相关特征引入、过度拟合等问题。我们可以使用PCA 来降维，但 PCA 没有将类别标签考虑进去，属于无监督的。
LDA线性判别分析 https://blog.csdn.net/qq_19446965/article/details/82078379