PCA ， TruncatedSVD 和 ICA 之间的详细区别是什么？
What is difference between PCA , TruncatedSVD and ICA in details?
谁能详细告诉我PCA（主成分分析）、TruncatedSVD（截断奇异值分解）和ICA（独立成分分析）的区别？
做的详细需要长页的PDF文档:-).
但思路很简单：
- 主成分分析 (PCA) - 分析数据原生坐标。即沿数据具有最大能量（方差）的坐标。对于 n 个维度为 d 的样本，将有 $ d $ 个正交方向。即投射在他们身上的数据没有相关性。如果我们将数据视为随机变量，则意味着我们找到了一个坐标系，其中投影数据中任何对的互相关（第一矩）都消失了。
这是一种通过保留大部分能量来逼近低维数据的非常有效的方法。
- 截断 SVD - 可以证明计算这些坐标系的方法之一是使用 SVD。因此，这是应用 PCA 背后思想的方法。
- 独立成分分析 (ICA) - 这比 PCA 更进一步。在 PCA 中，我们只处理 ICA 中数据的一阶矩（相关性），我们正在研究更高的矩，并试图找到一个数据投影，使更高的矩消失（想想缺乏相关性与概率独立性）。
谁能详细告诉我PCA（主成分分析）、TruncatedSVD（截断奇异值分解）和ICA（独立成分分析）的区别？
做的详细需要长页的PDF文档:-).
但思路很简单：
- 主成分分析 (PCA) - 分析数据原生坐标。即沿数据具有最大能量（方差）的坐标。对于 n 个维度为 d 的样本，将有 $ d $ 个正交方向。即投射在他们身上的数据没有相关性。如果我们将数据视为随机变量，则意味着我们找到了一个坐标系，其中投影数据中任何对的互相关（第一矩）都消失了。
这是一种通过保留大部分能量来逼近低维数据的非常有效的方法。 - 截断 SVD - 可以证明计算这些坐标系的方法之一是使用 SVD。因此，这是应用 PCA 背后思想的方法。
- 独立成分分析 (ICA) - 这比 PCA 更进一步。在 PCA 中，我们只处理 ICA 中数据的一阶矩（相关性），我们正在研究更高的矩，并试图找到一个数据投影，使更高的矩消失（想想缺乏相关性与概率独立性）。