线性代数硬核实战：向量组的秩与 SVD 低秩近似（附完整代码）

1. 前言：为什么我们需要“秩”？

在机器学习和数据科学面试中，有一个高频问题：“你如何理解矩阵的秩？”。
很多初学者只停留在教材的“最大线性无关组”定义上，但在真实的工程场景中，“秩”是数据压缩、特征提取和去噪的核心灵魂。无论是一张百万像素的图片，还是电商平台的数亿条用户评分数据，其底层矩阵的“秩”往往出奇地低——这意味着海量数据背后，决定事物本质的独立因素其实非常少。

今天，我们从大学教材的核心定义出发，一路推导到工程中的SVD（奇异值分解）降维实战，帮你一次吃透“向量组的秩”。

2. 教科书原理解析：最大无关组与秩的定义

在《线性代数》的教材中（如你截图的章节），向量组的秩主要通过“最大无关组”来定义。

• 定义2（最大无关组）：若向量组A AA中能选出