SVD一般應用場景--推薦系統，影象壓縮。
1、直觀感受。
SVD其實就是將矩陣分界，直觀感受如圖。就是將A矩陣分界成U，S，V三個矩陣相乘。一般推薦系統中用的多。S是對角陣，裡面的特徵值是從大到小排列的。
2、前述知識。
一個矩陣乘以一個向量結果還是一個向量，並且等於原始向量的
倍，相當於對原始向量進行一個某個方向上的拉伸。
3、矩陣壓縮
圖1
圖2
對圖1，圖2來說，假設m表示是樣本個數，n表示特徵個數，則抽取S特徵中比較重要的特徵值，（因為特徵值是從大到小排列的，所以假如抽取前幾個特徵值作為保留的特徵值），則S維度減少，變成r*r,則原始m*n矩陣分解成U ---m*r(比較瘦），S--r*r(方陣)，V--r*n（比較長）三個矩陣相乘。
4、原理剖析
抓住主要變換方向，所以保留特徵值比較大的方向。
5、例項講解一
SVD可解釋性比較差，需要去猜。
6、例項講解二（推薦系統）
U ：6*2(6代表是Item個數)
V：4*2（4代表是使用者個數）
S：取前兩個比較重要的值
對映到二維圖中：找出最相似的使用者。
