在机器学习中有两种算法非常相似,却又很不同。
它们就是“PCA(Principal Component Analysis)”和“LFM(Latent Factor Model)”。
许多人都知道,PCA 常用于数据的降维,而接触到 LFM 最多的地方就是大家都知道的推荐系统。
事实上,这两种方法都涉及到矩阵的分解,也都是为了得到数据中隐含的信息。
(说到矩阵分解, PCA 是特征值分解;而 LFM 经常是被分解为两个矩阵的乘积,如 user-item 矩阵分解。)
下面详细讲一下这两个算法的不同点。