数据预处理是为了让算法有更好的表现，whitening、PCA、SVD都是预处理的方式：
whitening的目标是让特征向量中的特征之间不相关，PCA的目标是降低特征向量的维度，SVD的目标是提高稀疏矩阵运算的运算速度。
whitening
whiten的目的是解除特征向量中各个特征之间的相关性，同时保证保证每个特征的方差一致，是数据集归一化的一种形式。设特征向量 X = (X1,X2,X2)，未知的量是随机变量，因此X1 X2 X3 都是随机变量，他们都服从某个分布，有确定的期望。注意到whitening和单纯的解耦是不一样的。
对于向量 X，可以计算出相应的协方差矩阵(根据已有数据集来估计)。我们希望协方差矩阵是一个对角矩阵，因为这意味着 X 的每个元素之间都是互不关联的，但是有时候我们的数据并不具有这样的性质。为了解耦数据，我们需要对原始特征向量执行一个变换，从而使得变换后的向量 Y 的各个特征之间相关性为0。设 Σ 是 X 的协方差矩阵，有：
ΣΦ=ΦΛ
那么 Λ 中的每个元素都是协方差矩阵的特征值，Φ 的每个列向量是相应的特征向量。如果对特征向量做变换：
Y = XΦ = X(Φ1, Φ2, Φ3)
那么可以证明，根据向量 Y 计算出来的协方差矩阵是一个对角矩阵。
对角矩阵 Λ 的特征值就是 Y 的每个元素的方差，可以全部相同，也可能不相同。如果对变换后的特征向量的某些维度进行缩放，使得 Λ 的每个元素都相等，那么整个过程就是 whitening.
PCA
主成分分析的过程也需要计算随机向量的协方差矩阵，并对原始的数据集进行相应的变换达到解耦效果。但是PCA的最终目的不是保证特征向量的每个特征的方差相等，而是略去那些方差太小的特征，从而降低特征向量的维度。也就是说，PCA和whitening的区别体现在是缩放还是略去变换后的某些特征。
需要注意，主成分分析略去的是变换后的特征，而不会略去原始数据集中的特征，因为很有可能是因为单位的问题，比如厘米，毫米，如果单位选得比较大，原始数据就会比较小，然而这并不意味着这是没有用特征。进行PCA之前应该先进行归一化处理，但对于变换后的特征而言，特征方差特别接近0，就不应该使用whitening了，因为方差几乎为0很有可能意味着数据集的秩小于列数，包含“冗余特征”。
SVD
对一个矩阵可以奇异值分解，可以类比初等代数中的因式分解，分解的目的很多时候是为了让计算更加容易：
D = U Σ VT
为什么我们要进行这样一个分解呢？矩阵之间的运算往往是非常耗时的，对于一些非常稀疏的矩阵（也就是大部分元素都是0），可能大部分计算都是在执行类似 0 * 0 = 0 这样的语句。奇异值分解的目的就是将原始矩阵分解后，可以删除一部分元素，也能近似还原原矩阵，这样 D 可以被近似分解为三个小维度的矩阵。
直觉上说，SVD就相当于一次坐标变换，把高维数据变换到低维数据。在语义分析任务中，设矩阵D的每行代表一篇文章，每列代表一个词汇，那么U代表的含义就是没篇文章的语义表示，VT代表的含义就是每个词汇的语义表示。计算文章或者词汇的相似度就变得容易多了。基于相似度的推荐是同样的道理。
在推荐、信息检索等领域，很稀疏的矩阵是很常见的，SVD就很有用了，它可一把公式中很大的矩阵近似分解成为一些维度较小的矩阵，极大加快计算速度。
normalization
归一化就是希望特征向量每个特征的期望在原点，方差也相同，和whitening相同的思想，但是没有旋转变换的过程。