请解释一下奇异值分解（SVD）的定义及其核心思想。

回答思路

1. 【回答框架 1】奇异值分解是将任意m×n实矩阵A分解为A=UΣV^T的形式，其中U是m×m正交矩阵，V是n×n正交矩阵，Σ是m×n对角矩阵，对角线上的非负元素称为奇异值，通常按降序排列。
2. 【回答框架 2】从几何角度看，SVD将线性变换分解为旋转（V^T）、缩放（Σ）和旋转（U）三个步骤，奇异值对应变换在各主轴方向上的缩放因子，反映了矩阵的固有特征。
3. 【回答框架 3】奇异值分解对任意矩阵都成立，不要求方阵或满秩，这是它相比特征值分解的重要优势；特征值分解仅适用于可对角化的方阵。
4. 【回答框架 4】在数据科学中，SVD常用于降维（如PCA）、矩阵压缩、推荐系统中的潜在因子模型以及求解最小二乘问题，截断SVD可保留主要信息并降低计算复杂度。
5. 【回答框架 5】计算SVD的常用算法包括Golub-Kahan双对角化结合QR迭代，实际工程中多使用LAPACK等数值库实现，数值稳定性较好。
6. 【关键点 1】SVD适用于任意矩阵，分解为UΣV^T，奇异值非负且降序排列。
7. 【关键点 2】几何意义为旋转-缩放-旋转，奇异值反映各方向缩放程度。
8. 【关键点 3】相比特征值分解，SVD不要求方阵，应用更广泛。
9. 【关键点 4】截断SVD用于降维和压缩，能保留主要信息。
10. 【关键点 5】数值计算通常依赖成熟库，避免自行实现不稳定算法。
11. 【易错点 1】不要将SVD与特征值分解混淆，特征值分解仅适用于可对角化方阵。
12. 【易错点 2】奇异值分解不保证唯一性，当奇异值重复时U和V可能不唯一，但奇异值本身唯一。
13. 【易错点 3】截断SVD的k值选择需权衡信息保留与误差，没有统一最优值。