svd矩阵奇异值分解

matlab svd：

s = svd(X)
[U,S,V] = svd(X)
[U,S,V] = svd(X,0)
[U,S,V] = svd(X,'econ')

s为 奇异值矩阵；

u为 XXt 的对应特征向量；

v为 XtX 的对应特征向量。

 

SVD的第一个作用之低秩近似（Low Rank Approximation）：

如果我们只保留前k个最大的奇异值，前k列个U，前k行个V，相当于将数据中占比不大的噪音进行过滤，这样既可以有效地对数据进行泛化，又起到了降维减少运算量的目的.

 

SVD的第二个作用之特征降维（Dimensionality Reduction）：

取 u 或 v 任一特征向量，完成对高维到低维度的映射。