其他分享
首页 > 其他分享> > numpy.linalg.svd函数

numpy.linalg.svd函数

作者:互联网

numpy.linalg.svd函数
转载自:python之SVD函数介绍
函数:np.linalg.svd(a,full_matrices=1,compute_uv=1)
参数:
https://www.cnblogs.com/xym4869/p/11301727.html
a是一个形如(M,N)的矩阵
full_matrices的取值为0或者1,默认值为1,这时u的大小为(M,M),v的大小为(N,N) 。否则u的大小为(M,K),v的大小为(K,N) ,K=min(M,N)。
compute_uv的取值是为0或者1,默认值为1,表示计算u,s,v。为0的时候只计算s。
返回值:

总共有三个返回值u,s,v
u大小为(M,M),s大小为(M,N),v大小为(N,N)。
A=u∗s∗v
其中s是对矩阵a的奇异值分解。s除了对角元素不为0,其他元素都为0,并且对角元素从大到小排列。s中有n个奇异值,一般排在后面的比较接近0,所以仅保留比较大的r个奇异值。
举例:

from numpy import *
data = mat([[1,2,3],[4,5,6]])
U,sigma,VT = np.linalg.svd(data)
print U
[[-0.3863177 -0.92236578]
[-0.92236578 0.3863177 ]]
print sigma
[9.508032 0.77286964]
print VT
[[-0.42866713 -0.56630692 -0.7039467 ]
[ 0.80596391 0.11238241 -0.58119908]
[ 0.40824829 -0.81649658 0.40824829]]
因为sigma是除了对角元素不为0,其他元素都为0。所以返回的时候,作为一维矩阵返回。本来sigma应该是由3个值的,但是因为最后一个值为0,所以直接省略了。

关于奇异值:

对于方阵而言,A=QQ−1,其中Q为特征向量。但不是方阵的矩阵没有特征向量。
非方阵矩阵可以用奇异值分解描述矩阵。A=USVT,其中U叫做左奇异值,S叫做奇异值,V叫做右奇异值。因为S只有对角线的数不为0,并且数值是从大到小排列,所以一般只取r个。r的值越接近A的列数,那么三个矩阵的乘法得到的矩阵越接近A。
因为三个矩阵的面积之和远远小于原矩阵A,所以当A是很大的矩阵,我们向压缩空间表达A的时候,可以使用这三个矩阵。
当A不是矩阵时,把A转置成AT。且(AAT)v=λv,其中v是右奇异值,∂v=λ−−√,这里的∂就是上述的奇异值。u=Av∂,u就是上面的左奇异值。

标签:linalg,sigma,svd,矩阵,奇异,大小,numpy
来源: https://www.cnblogs.com/boyang987/p/15907235.html