• 慢速特征分析 ( SFA ) 使用时间差异的协方差矩阵的最小特征值来找到时间序列中最慢的特征，
• 次要成分分析 ( MCA ) 使用概率设置中的最小成分——在这里，不是找到变化的方向，而是找到约束，
• 极端成分分析 ( XCA ) 是概率 PCA 和 MCA 的组合，
• 在典型相关分析（您分析两个不同数据集的相关性）中，相关矩阵的较小分量对应于所谓的“私人”空间。这些表示每个变量的子空间，它们彼此之间不是线性相关的。

它就像一个稍微不同的空间中的高通滤波器。

有很多线性数据，在许多情况下，您正在寻找这种线性关系，因此低通（高通）滤波器可以让您保留重要部分。

对于非线性数据，通常是您应用简单方法但没有成功的东西，高通意味着您丢弃不重要的（线性）部分。

这让我对计算摄影和边缘感到好奇。谢谢..

总最小二乘回归（又名正交距离回归）使用与增强预测/标准矩阵的最小奇异值相对应的奇异向量。

当只有一个因变量时（即，当时），我的 Golub & Van Loan（第一版）中的方程 12.3-5，以及“代数观点”部分中的最终方程和 Octave 代码标准账户，只使用最小奇异值对应的奇异向量，得到回归系数的向量。$k = 1$

是的，有。我目前正在与一位教授合作开展一个研究项目，我们试图根据来自 Twitter 的实时推文预测非常短期的股市变化。不幸的是，人们在 Twitter 上谈论我们正在追踪的公司的大部分内容都是无用的。换句话说，最大的奇异值是无用的。

我们的计划是使用最大的奇异值来标记大量垃圾推文，以便我们可以删除它们。其余推文及其文本内容（小的奇异值）是变量选择过程的候选者。

我们正试图在大海捞针中找到针，而丢弃最大的奇异值就像放火烧干草一样。