SVD与PCA之间的关系详解

假设现在有一个数据矩阵X，其大小是n×p，其中 n is the number of samples and p is the number of variables （或features）。这里，XT可以写成{x1,x2,⋯,xn}，x1表示一个长度为p的列向量，也就是说，XT 包含 n independent observations x1,x2,⋯,xn，其中每个都是一个 p-dimensional 的列向量，这与【7】中的写法相一致。

现在，不失普遍性地，让我们假设X is centered, 即 column means have been subtracted and are now equal to zero。如果X is not centered，也不要紧，我们可以通过计算其与centering matrix H 之间的乘法来对其中心化。H=I−eeT/p, 其中 e is a 每个元素都是1的 column vector。

基于上述条件，可知p×p大小的协方差矩阵 covariance matrix C 可由 C=XTX/(n−1) 给出。此处，我们稍微补充一下协方差矩阵与相关性矩阵（correlation matrix ）的一些内容。如果你对此已经非常了解，可以直接跳过这一部分。

如果 X 和 Y 是两个随机变量，with means (expected values) μX and μY and standard deviations σX and σY, respectively, then their covariance is

σXY=E[(X−μX)(Y−μY)]

and correlation is:

ρXY=E[(X−μX)(Y−μY)]/(σXσY)

因此 covXY=σXY=ρXYσXσY。

如果 X are centred data matrices of dimension n×p，an unbiased estimator of the covariance matrix (sample covariance matrix)

C=1n−1XTX

另一方面，如果 the column means were known a-priori, 则有

C=1nXTX

最后，在MATLAB中计算covariance matrix 和 correlation matrix的方法可以参见【5】。

现在我们知道，C=XTX/(n−1)是一个对称矩阵，因此它可以对角化，即

C=VΛVT

其中，V is a matrix of eigenvectors (each column is an eigenvector) and Λ is a diagonal matrix with eigenvalues λi in the decreasing order on the diagonal。

Any matrix has a singular value decomposition, so we have

X=UΣVT

应该注意到

XTX=(UΣVT)T(UΣVT)=VΣTUTUΣVT=V(ΣTΣ)VT

这其实是特征值分解的结果，我们更进一步，把C引入，则有

C=1n−1XTX=1n−1V(ΣTΣ)VT=VΣ2n−1VT

也就是说，Covariance matrix C的特征值 λi 与 矩阵X的奇异值σi之间的关系是 σ2i=(n−1)λi。X的右singular matrix V 中的列是与上述主成分相对应的主方向（principal directions）。最后，

XV=UΣVTV=UΣ

则表明，UΣ就是主成分（PC）。

参考文献

【1】https://stats.stackexchange.com/questions/134282/relationship-between-svd-and-pca-how-to-use-svd-to-perform-pca

【2】https://intoli.com/blog/pca-and-svd/

【3】https://en.wikipedia.org/wiki/Estimation_of_covariance_matrices

【4】https://en.wikipedia.org/wiki/Covariance_and_correlation

【5】http://www.mathworks.com/help/stats/corrcov.html?s_tid=gn_loc_drop

【6】http://blog.csdn.net/baimafujinji/article/details/6474273

【7】http://blog.csdn.net/baimafujinji/article/details/79376378