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。