svd（奇異值分解）：
優點：簡化資料，去除雜訊點，提高演算法的結果；
缺點：資料的轉換可能難以理解；
適用於資料型別：數值型。
通過svd對資料的處理，我們可以使用小得多的資料集來表示原始資料集，從有雜訊的資料中抽取相關特徵，這樣做實際上是去除了雜訊和冗餘資訊，以此達到了優化資料、提高結果的目的。
最早的svd應用之一是資訊檢索。我們稱利用svd的方法為隱性語義檢索（lsi）或**語義分析（lsa）。
在lsi中，乙個矩陣是由文件和詞語組成的，當我們在該矩陣上應用svd時，就會構建出多個奇異值。這些奇異值代表了文件中的概念或主題，這一特點可以用於更高效的文件搜尋。如果我們從上千篇相似的文件中抽取出概念，那麼同義詞就會對映為同一概念。
svd的另乙個應用就是推薦系統。簡單版本的推薦系統能夠計算項或者人之家呢相似度。更先進的方法則先利用svd從資料中構建乙個主題空間，然後再在該空間下計算其相似度。
svd也可用於特徵壓縮（資料降維）。將svd用於pca主成分分析，來做資料壓縮和降噪。
SVD奇異值分解 機器學習
簡介 奇異值分解 singular value decomposition 是線性代數中一種重要的矩陣分解，是在機器學習領域廣泛應用的演算法，它不光可以用於降維演算法中的特徵分解，還可以用於推薦系統，以及自然語言處理等領域。是很多機器學習演算法的基石。奇異值分解在資料降維中有較多的應用，這裡把它的原...
奇異值分解 SVD
最近不小心接觸到了svd，然後認真看下去之後發現這東西真的挺強大的，把乙個推薦問題轉化為純數學矩陣問題，看了一些部落格，把乙個寫個比較具體的博文引入進來，給自己看的，所以把覺得沒必要的就去掉了，博文下面附原始部落格位址。一 基礎知識 1.矩陣的秩 矩陣的秩是矩陣中線性無關的行或列的個數 2.對角矩陣...
SVD奇異值分解
原文出處 今天我們來講講奇異值分解和它的一些有意思的應用。奇異值分解是乙個非常，非常，非常大的話題，它的英文是 singular value decomposition，一般簡稱為 svd。下面先給出它大概的意思 對於任意乙個 m n 的矩陣 m 不妨假設 m n 它可以被分解為 m udv t 其...