如何从稀疏矩阵到线性回归模型（使用SVD）？

Question

我正在尝试复制Kosinski, Stillwell, & Graepel (2013) study关于预测来自Facebook的私人特征和属性，例如用于学习目的的数据。首先，我承认，我是数据科学的新手，并在R中建立预测模型。

我的数据：

1. 一个稀疏矩阵（dim 237 x 43232），包含237个用户，如果他们喜欢43232个fb页面中的一个（由1表示喜欢，0表示不喜欢）。行名包含user.ids。
2. 包含user.ids，年龄，性别和多个调查分数的列的data.frame，对于此示例，我们可以获取SOP2分数（乐观 - 悲观分数）。

我的目标是预测用户喜欢的SOP2分数。 Kosinski等。描述他们在this graphic建立的模型。到目前为止，我已经使用irlab R软件包完成了一个SVD：

Comps.likes <- irlba(Likes.matrix, nu = 100, nv = 100)

这就是我被困住的地方..怎么从这里继续？

从我的假设我应该得到这样的东西：

fit <- lm(SOP2 ~ Comps.likes$d, data = someDataFrame)

或使用插入符号包的等效物。

我想弄清楚：

1. 缺少的步骤是如何从Comps.likes（SVD步骤）到 回归公式，每个Facebook都有一个系数 预测SOP2。
2. 从用户向量实际预测SOP2的步骤 喜欢per user.id。

有关进一步资源的任何帮助或提示吗？