young_so_nice的博客

PCA简单的说，它是一种通用的降维工具。在我们处理高维数据的时候， 了能降低后续计算的复杂度，在“预处理”阶段通常要先对原始数据进行降维， 而PCA就是干这个事的 本质上讲，PCA就是将高维的数据通过线性变换投影到低维空间上去PCA的原理就是将原来的样本数据投影到一个新的空间中， 相当于我们在矩阵分析里面学习的将一组矩阵映射到另外的坐标系下。 通过一个转换坐标，也可以理解成把一组坐标

svd底层是怎么实现的就不去细说了，我们先来谈谈到底可以利用svd来做什么。通过调用svd算法，我们可以得到各个属性的特征值，这个特征值越大对我们判断的影响就越大。特征比较小的时候，我们可以直接忽略该特征进行对事物的判断，判断结果也能比较精准，在这里就体现了svd算的降维。 下面通过调用mlib的svd算法和kmeans算法来，证实svd降维的准确性。 1，首先调用svd算法对数据进行特