我打算在sklearn.decomposition.TruncatedSVDKaggle 比赛中使用 LSA，我知道 SVD 和 LSA 背后的数学，但我对 scikit-learn 的用户指南感到困惑，因此我不确定如何实际应用
TruncatedSVD。
在doc中，它指出：
这次手术后，
U_k * transpose(S_k)是具有特征的转换训练集k（n_components在 API 中调用）
为什么是这样？我想在SVD之后，X此时X_k应该是U_k * S_k * transpose(V_k)？
然后它说，
为了也转换一个测试集
X，我们将它乘以V_k：X' = X * V_k
这是什么意思？
我更喜欢这里的文档。Sklearn 非常一致，因为您几乎总是使用以下代码的某种组合：
#import desired sklearn class
from sklearn.decomposition import TruncatedSVD
trainData= #someArray
testData = #someArray
model = TruncatedSVD(n_components=5, random_state=42)
model.fit(trainData) #you fit your model on the underlying data
如果您想转换该数据而不是仅仅拟合它，
model.fit_transform(trainData) #fit and transform underlying data
同样，如果您不转换数据，而是进行预测，您将使用类似：
predictions = model.transform(testData)
希望有帮助...