我想如果线性代数中向量空间的基底、坐标、基变换与坐标变换的内容理解的比较成熟的话，那么对理解PCA和SVD的理解将是水到渠成的事。
一.数学基础
基底：
若α1，α2，...，αn为向量空间Rn的一线性无关的向量组，且Rn中任一向量均可由α1，α2，...，αn线性表示，则称α1，α2，...，αn 为向量空间Rn的一个基底。
补充：
1.基底的特殊情况是 α1，α2，...，αn 相互正交而且都是单位向量，最最特殊的情况是单位矩阵E。
2.基底包含的向量个数=Rn 向量空间维数 <=向量维数。
坐标：
设α1，α2，...，αn 为向量空间Rn的一组基，对任意α属于Rn，存在唯一一组数，使
α=x1α1+x2α2+...+xnαn=[α1，α2，...，αn]X
则X=（x1，x2，...，xn）是向量α在基α1，α2，...，αn 上的坐标。
补充：
1.基底与坐标的线性组合就是坐标表示的向量。
基变换与坐标变换
若α1，α2，...，αn 和β1， β2，...，βn 为向量空间Rn 中的两组基，
则：
[β1， β2，...，βn]=[α1，α2，...，αn ]P
或
[α1，α2，...，αn ]=[β1， β2，...，βn]P-1
称为基变换公式.其中可逆矩阵P称为由基α1，α2，...，αn 到基 β1， β2，...，βn 的过渡矩阵。若向量α在基α1，α2，...，αn 和基 β1， β2，...，βn 上的坐标分别为X和Y，
即：
α=[α1，α2，...，αn]X =[β1， β2，...，βn]Y=[α1，α2，...，αn ]PY,
则：
X=PY
或
Y=P-1 X
称为坐标转换公式。
补充：
1.可逆矩阵P 的特殊情况为正交矩阵，正交转换矩阵的特性是可以保持原向量之间的相对位置。
2.单就坐标而言，X是Y在P行向量上的投影。
3.当α1，α2，...，αn 是单位矩阵E，这时：
α=[α1，α2，...，αn]X=EX=X
[β1， β2，...，βn]=[α1，α2，...，αn ]P=E*P=P
α=[β1， β2，...，βn]Y=PY
而P是正交矩阵时，这就是PCA和SVD的应用环境。
二.PCA和SVD的应用
以PCA为例，
对以列向量为样本的矩阵A（假设已经中心化），以AA’ 的特征向量矩阵 P 为过渡矩阵，这个P既是转换矩阵、投影矩阵，又是基矩阵，列向量为基向量。P’*A即对A的转换（坐标转换，A就是坐标矩阵），这也是A的列向量向P’的行向量，即P的列向量的投影。结果就得到转换后的坐标。
（若是以行向量为样本的矩阵A（假设已经中心化），以A’A 的特征向量矩阵 P 为过渡矩阵，这个P既是转换矩阵、投影矩阵，又是基矩阵，列向量为基向量。A*P即对A的转换（坐标转换，A就是坐标矩阵），这也是A的行向量向P的列向量的投影。）
由于转换后的向量坐标方差降序（而且相邻维度的协方差为零），所以末尾维度上的方差趋近零，所以所有样本向量末尾维度上的坐标趋近均值且波动较小。而中心化的坐标均值为零，所以末尾维度上的坐标趋近于零。
有一中的知识，样本向量
α=x1α1+x2α2+...+xnαn=[α1，α2，...，αn]X
由于所有αi 都是单位向量，所以模都为1；所以坐标为零的项可以忽略。这样就是去掉了冗余，实现了压缩存储，和近似还原（失真还原）。