SVD 降维 相似度计算: 1.欧式距离 向量的范数2 2.皮尔逊相关系数 cov(X,Y)varxvary c o v ( X , Y ) v a r x v a r y \frac{cov_{(X,Y)}}{var{x} var{y}} 均值意义:样本集合的中间点 方差意义: 样本点的离散程度 协方差意义: 度量两个随机变量关系的统计量 度量各个维度偏离其均值的程度 协方差计
奇异值分解 SVD是一个很有用的矩阵因子化方法。 SVD提出的目的:任何一个 m × n m\times n m×n的矩阵都可以当作一个超椭圆(高维空间的椭圆),可以把它们当作单位球体S的像。 一个超椭圆可以通过将单位球型在正交方向 u 1 , u 2 , . . . , u m \mathbf{u_1},\mathbf{u_2},...,\mathbf{u_m} u1,u2,...,um