特征值分解与奇异值分解SVD

https://www.imooc.com/article/267351?block_id=tuijian_wz
先看这篇文章。
1.什么是矩阵
一件事情，有多个纬度影响。就像球员卡的各项指标影响一个球员的表现一样。一个指标就是一个维度。
比如一个球员跑的快，那这场比赛里面总体跑动的几率多于总体射门的几率。那这个球员这场表选在整队里应该是最突出的。
而一场比赛射门的几率多余跑动的几率，那么射门能力强的球员这场比赛的表现能力是强于跑的快的球员的。
一个球员有多个纬度，跑动的能力，射门的能力，防守的能力，传球的能力，这些纬度就会构成一个四维的矩阵。（而四维人是看不到的）。
我们先以三维为例，也就是跑动能力，射门能力，传球能力。A球队是一个能力均衡的，在A球队，他们三个能力对于比赛影响的权重是相同的。那就是一个标准的欧式xyz三维坐标系去评估就行。（x跑动，y射门，z传球）
但是如果有一个球队B以跑动能力闻名，而射门能力弱。那把同一个球员放在B对，那B的跑动能力的权重也就会提高，而射门能力的权重也就会下降。那么放在B队的欧式坐标系里，x=2，y=1,z=0.5欧式距离的坐标系。
同一个人能力相同，但是放在不同的坐标体系中能力的体现就不一样了。不同的坐标体系也就是不同的矩阵。
而一个人的能力也就是一个向量集合。
1.特征值分解的作用
将一个矩阵的主要变化方向，按从大到小的的对角线模式排列，这也就是分解出来的特征值。（这样就可以看出哪个纬度的参数对这个矩阵（一件事情的结果）的影响最大）。这样就可以从一个矩阵里获取，哪个纬度对于这个矩阵影响最大。我们有时候只需要获取这个前几个影响最大的纬度（也就是主要变化方向），也就能分析出影响这个事件的主要因素。而其他影响小的纬度就可以抛弃，省去获取和分析的数据的时间。
而这就是特征值分析的作用。分析出主要影响事情的纬度。以后可以用来分析多事件对一个事情的影响，用来做主成分分析，可以分析用户的行为和其他。
正是由于这个性质，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）。