lsa的步驟如下：
1. 分析文件集合，建立term-document矩陣。
2. 對term-document矩陣進行奇異值分解。
3. 對svd分解後的矩陣進行降維，保留前個特徵值，後面個置零，也就是低階近似。
4. 使用降維後的矩陣構建潛在語義空間，或重建term-document矩陣。新得到的term-document矩陣就是我們經過lsa模型提取低維隱含語義空間。該空間中，每個奇異值對應的是每個「語義」維度的權重，我們剛才將不太重要的權重置為零，只保留最重要的維度資訊，因而可以得到文件的一種更優表達形式。
一種分析、簡化資料集的技術。
主成分分析經常用於減少資料集的維數，同時保持資料集中的對方差貢獻最大的特徵。
這是通過保留低階主成分，忽略高階主成分做到的。這樣低階成分往往能夠保留住資料的最重要方面。但是，這也不是一定的，要視具體應用而定。由於主成分分析依賴所給資料，所以資料的準確性對分析結果影響很大。
主成分分析由卡爾·皮爾遜於2023年發明[1]，用於分析資料及建立數理模型。其方法主要是通過對協方差矩陣進行特徵分解[2]，以得出資料的主成分（即特徵向量）與它們的權值（即特徵值[3]）。pca是最簡單的以特徵量分析多元統計分布的方法。其結果可以理解為對原資料中的方差做出解釋：哪乙個方向上的資料值對方差的影響最大？換而言之，pca提供了一種降低資料維度的有效辦法；如果分析者在原資料中除掉最小的特徵值所對應的成分，那麼所得的低維度資料必定是最優化的（也即，這樣降低維度必定是失去訊息最少的方法）。主成分分析在分析複雜資料時尤為有用，比如人臉識別。
概率語言模型及其變形系列(1)-plsa及em演算法
tf-idf
singular value decomposition
we recommend a singular value decomposition
奇異值分解(svd) — 幾何意義
vsm、tf-idf與lsa
principal component analysis
建立概率模型
在解決古典概型問題時，確定的基本事件個個數越少，模型越精煉，則解題過程越簡單。以下舉例說明 同類題見北師大必修3概率 p 例2 某人有4把鑰匙，其中只有2把能開啟門，現隨機地取1把鑰匙試著開門，不能開門，就把鑰匙放在旁邊，他第二次才能開啟門的概率是 分析 4把鑰匙分別標記為 k 1，k 2，n 1，...
概率之結構化概率模型
結構化概率模型 structured probabilistic model 也稱為圖模型 graphical model 是指使用圖論中的 圖 的概念來描述概率分布的分解。有兩種主要的圖模型 有向圖和無向圖。兩種圖模型都使用圖 有向 directed 模型使用帶有有向邊的圖，它們用條件概率分布來表...
概率模型 初級介紹
對於時間a,其概率定為p a 則其滿足以下三個公理 1 0 p a 1 非負性公理 2 p 樣本空間 1 正則性公理 3 若有互不相容的事件a1,a2,p uaj 設e是乙個試驗，滿足 1 只有有限多個樣本點 2 每個樣本點發生的可能性相同。p a a事件包含樣本點的個數 樣本空間總的樣本點的個數 ...