奇異值分解(SVD)原理與在降維中的應用（轉載）

奇異值分解(SVD)原理與在降維中的應用 回顧特徵值和特徵向量 　　　我們首先回顧下特徵值和特徵向量的定義如下： A x = λ x Ax=\lambda x Ax=λx 其中A是一個 n × n n \times n n×n的實對稱矩陣， x x x是一個 n n n維向量，則我們說 λ \lambda λ是矩陣A的一個特徵值，而 x x x是矩陣A的特徵值 λ \lambda λ所對應的特徵向

>>阅读原文<<