餐館可劃分為很多類別，比如美式、中式、日式、牛排館、素食店，等等。你是否想過這些
類別夠用嗎?或許人們喜歡這些的混合類別，或者類似中式素食店那樣的子類別。如何才能知道
到底有多少類餐館呢?我們也許可以問問專家?但是倘若某個專家說應該按照調料分類，而另一
個專家則認為應該按照配料分類，那該怎么辦呢?忘了專家，我們還是從數據著手吧。我們可以
對記錄用戶關于餐館觀點的數據進行處理，并且從中提取出其背后的因素。
    這些因素可能會與餐館的類別、烹飪時所用的某個特定配料，或其他任意對象一致。然后，
我們就可以利用這些因素來估計人們對沒有去過的餐館的看法。提取這些信息的方法稱為奇異值分解(Singular Value Decomposition, SVD)。從生物信息學到金融學等在內的很多應用中，SVD都是提取信息的強大工具。
    本章將介紹SVD的概念及其能夠進行數據約簡的原因。然后，我們將會介紹基于Python的
SVD實現以及將數據映射到低維空間的過程。再接下來，我們就將學習推薦引擎的概念和它們的
實際運行過程。為了提高SVD的精度，我們將會把其應用到推薦系統中去，該推薦系統將會幫助
人們尋找到合適的餐館。最后，我們講述一個SVD在圖像壓縮中的應用例子。

總結

以上是生活随笔為你收集整理的chapter14 机器学习之利用SVD简化数据的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。