问题：

是否有关于输入数据特征的通用指南，可用于决定应用 PCA 还是 LSA/LSI？

PCA 与 LSA/LSI 的简要总结：

主成分分析 (PCA) 和潜在语义分析 (LSA) 或潜在语义索引 (LSI) 在某种意义上是相似的，它们都从根本上依赖于奇异值分解 (SVD) 对矩阵的应用。

据我所知，LSA 和 LSI 是一回事。LSA 从根本上不同于 PCA，但在应用 SVD 之前对矩阵条目进行预处理的方式方面。

在 LSA 中，预处理步骤通常涉及对计数矩阵进行归一化，其中列对应于“文档”，行对应于某种单词。条目可以被认为是某种（标准化）文档的单词出现次数。

在 PCA 中，预处理步骤涉及从原始矩阵计算协方差矩阵。与 LSA 的情况相比，原始矩阵在概念上本质上更“通用”。在涉及 PCA 的情况下，通常说列是指通用样本向量，而行是指正在测量的单个变量。协方差矩阵根据定义是正方形和对称的，实际上没有必要应用 SVD，因为协方差矩阵可以通过对角化分解。值得注意的是，PCA 矩阵几乎肯定会比 LSA/LSI 变体更密集——零条目只会出现在变量之间的协方差为零的情况下，即变量独立的地方。

最后，另一个经常用来区分两者的描述性点是

LSA 寻求 Frobenius 范数中的最佳线性子空间，而 PCA 旨在寻找最佳仿射线性子空间。

无论如何，这些技术的异同在整个互联网的各个论坛上都引起了激烈的争论，显然存在一些显着的差异，显然这两种技术会产生不同的结果。

因此，我重复我的问题：关于输入数据特征是否有任何通用指南，可用于决定应用 PCA 还是 LSA/LSI？如果我有类似于术语文档矩阵的东西，LSA/LSI 是否总是最佳选择？通过为 LSA/LSI 准备术语/文档矩阵，然后将 PCA 应用于结果，而不是直接应用 SVD，可能期望在某些情况下获得更好的结果？