待验证50% 置信事实精确时间

PCA等价于对数据协方差矩阵进行特征值分解，若对中心化数据矩阵X进行SVD得到X=UΣVᵀ，则右奇异向量V就是PCA的主成分方向，奇异值的平方除以样本数就是各主成分对应的方差

1

来源数

50%

置信度

长期有效

时效性

2026/8/28

首次发现

来源

SVD奇异值分解入门：从原理到图像压缩、推荐系统的实战应用

涉及实体

PCAconcept SVDconcept

相关事实

待验证鲁棒PCA通过将数据矩阵分解为低秩矩阵加稀疏矩阵（L+S分解）将异常值隔离到稀疏部分79% 相似待验证主成分分析（PCA）同时涉及线性代数中的特征值分解和统计学中的方差最大化78% 相似待验证在特征标准化、归一化或PCA降维时使用整个数据集（包括测试集）的统计量而非仅用训练集，会造成特征构造泄露66% 相似待验证PCA只能捕获线性相关性，无法处理数据流形中的非线性结构63% 相似待验证RRF（倒数排名融合）仅利用各路召回的排名位置信息（公式RRF(d)=Σ1/(k+rank_i(d))，k通常取60），对分数分布不敏感，绕开了跨模态分数对齐难题53% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/813386

API

curl https://kongchang.com/api/v1/knowledge/claims/813386

MCP

get_claim(id=813386)