31.關於 PCA 主成分分析與 SVD 奇異值分解的比較，下列敘述哪一項正確？
(A) PCA 較 SVD 更一般化
(B) SVD 提供資料矩陣只有橫列的基底
(C) PCA 提供資料矩陣之綜行與橫列的基底
(D) SVD 較 PCA 更一般化

答案是：
(D) SVD 較 PCA 更一般化 ✅ 正確

解析

主成分分析 (PCA, Principal Component Analysis) 與奇異值分解 (SVD, Singular Value Decomposition) 都是用於降維 (Dimensionality Reduction) 的方法，兩者關係密切，但 SVD 更一般化，PCA 是其特殊應用。

PCA (主成分分析) 的特點

• 主要用於資料降維 (Dimensionality Reduction)。
• 找出數據中最重要的變異方向（主成分）。
• 假設數據是中心化 (mean-centered) 的，並且計算特徵值分解 (Eigen Decomposition)。
• 僅適用於方形的共變異數矩陣，然後透過特徵值分解獲得主成分。

SVD (奇異值分解) 的特點

• 是一種更通用的數學分解技術，可應用於任何矩陣。
• SVD 分解一個 m × n 矩陣 
  • U：列空間 (column space) 的基底。
  • V：行空間 (row space) 的基底。
  • Σ\SigmaΣ：奇異值矩陣，表示特徵值的重要程度。
• SVD 不需要假設數據是中心化的，比 PCA 更廣泛應用於各種矩陣。