讲一下numpy的矩阵特征值分解与奇异值分解
1、特征值分解
主要还是调包：
from numpy.linalg import eig
特征值分解： A = P*B*PT 当然也可以写成 A = QT*B*Q 其中B为对角元为A的特征值的对角矩阵，P=QT，
首先A得对称正定，然后才能在实数域上分解，
>>> A = np.random.randint(-10,10,(4,4)) >>> A array([[ 6, 9, -10, -1], [ 5, 9, 5, -5], [ -8, 7, -4, 4], [ -1, -9, 0, 6]]) >>> C = np.dot(A.T, A) >>> C array([[126, 52, -3, -69], [ 52, 292, -73, -80], [ -3, -73, 141, -31], [-69, -80, -31, 78]]) >>> vals, vecs = eig(C) >>> vals array([357.33597086, 174.10172008, 8.84429957, 96.71800949]) >>> vecs array([[-0.28738314, -0.51589436, -0.38221983, -0.71075449], [-0.87487263, 0.12873861, -0.24968051, 0.39456798], [ 0.2572149 , -0.69304313, -0.33950158, 0.58161018], [ 0.29300052, 0.48679627, -0.82237845, -0.02955945]])
故使用时应先将特征值转换为矩阵：
>>> Lambda = np.diag(vals) >>> Lambda array([[357.33597086, 0. , 0. , 0. ], [ 0. , 174.10172008, 0. , 0. ], [ 0. , 0. , 8.84429957, 0. ], [ 0. , 0. , 0. , 96.71800949]]) >>> np.dot(np.dot(vecs, Lambda), vecs.T) # 与C=A.T*A相等 array([[126., 52., -3., -69.], [ 52., 292., -73., -80.], [ -3., -73., 141., -31.], [-69., -80., -31., 78.]]) >>> np.dot(np.dot(vecs.T, Lambda), vecs) array([[171.65817919, 45.58778569, 53.20435074, 13.37512137], [ 45.58778569, 125.15670964, 28.22684299, 134.91290105], [ 53.20435074, 28.22684299, 129.48789571, 80.5284382 ], [ 13.37512137, 134.91290105, 80.5284382 , 210.69721545]])
故验证了使用np中的eig分解为A=P*B*PT 而不是A=QT*B*Q，其中P=vecs，
即 C = vecs * np.diag(vals) * vecs.T # 这里简写*为矩阵乘法
然后再来看使用np中的eig分解出来的vec中行向量是特征向量还是列向量是特征向量，只需验证：A*vecs[0] = vals[0]*vecs[0]
>>> np.dot(C, vecs[0]) array([-12.84806258, -80.82266859, 6.66283128, 17.51094927]) >>> vals[0]*vecs[0] array([-102.69233303, -184.34761071, -136.58089252, -253.97814676]) >>> np.dot(C, vecs[:,0]) array([-102.69233303, -312.62346098, 91.91213634, 104.69962583]) >>> vals[0]*vecs[:, 0] array([-102.69233303, -312.62346098, 91.91213634, 104.69962583])
后者两个是相等的，故使用np中的eig分解出的vecs的列向量是特征向量。
然后我们可以验证P是单位正交矩阵：
>>> np.dot(vecs.T, vecs) array([[ 1.00000000e+00, -7.13175042e-17, -2.45525952e-18, 2.75965773e-16], [-7.13175042e-17, 1.00000000e+00, 2.49530948e-17, -5.58839097e-16], [-2.45525952e-18, 2.49530948e-17, 1.00000000e+00, -7.85564967e-17], [ 2.75965773e-16, -5.58839097e-16, -7.85564967e-17, 1.00000000e+00]]) >>> np.dot(vecs, vecs.T) array([[ 1.00000000e+00, 2.97888865e-16, -2.68317972e-16, 1.69020590e-16], [ 2.97888865e-16, 1.00000000e+00, -4.40952204e-18, -6.24188690e-17], [-2.68317972e-16, -4.40952204e-18, 1.00000000e+00, -1.13726775e-17], [ 1.69020590e-16, -6.24188690e-17, -1.13726775e-17, 1.00000000e+00]]) # 可以看到除对角元外其他都是非常小的数
即PT*P = P*PT = E , PT=P-1。事实上，在求解P的过程中就使用了施密特正交化过程。
另一方面，我们从数学角度来看：
首先补充一些数学知识：可以看我另一篇文章：矩阵知识
A = P*B*P-1 ，其中B为对角元素为A的特征值的对角阵，P的列向量为特征值对应的特征向量(因为B每行乘以P每列)
2、奇异值分解
还是调包：
from numpy.linalg import svd
设任意矩阵A是m*n矩阵
奇异值分解：A = U*Σ*VT , 其中U为满足UTU=E的m阶(m*m)酉矩阵，Σ为对角线上为奇异值σi 其他元素为0的广义m*n对角阵，V为满足VTV=E的n阶(n*n)酉矩阵
a = np.random.randint(-10,10,(4, 3)).astype(float) ''' array([[ -9., 3., -7.], [ 4., -8., -1.], [ -1., 6., -9.], [ -4., -10., 2.]]) ''' In [53]: u, s, vh = np.linalg.svd(a) # 这里vh为V的转置 In [55]: u.shape, s.shape, vh.shape Out[55]: ((4, 4), (3,), (3, 3)) ''' In [63]: u Out[63]: array([[-0.53815289, 0.67354057, -0.13816841, -0.48748749], [ 0.40133556, 0.1687729 , 0.78900752, -0.43348888], [-0.59291924, 0.04174708, 0.59180987, 0.54448603], [ 0.44471115, 0.71841213, -0.09020922, 0.52723647]]) In [64]: s Out[64]: array([16.86106528, 11.07993065, 7.13719934]) In [65]: vh Out[65]: array([[ 0.31212695, -0.760911 , 0.56885078], [-0.74929793, -0.56527432, -0.3449892 ], [ 0.58406282, -0.31855829, -0.74658639]]) ''' In [56]: np.allclose(a, np.dot(u[:, :3] * s, vh)) Out[56]: True # 将s转化为奇异值矩阵 In [60]: smat[:3, :3] = np.diag(s) In [61]: smat Out[61]: array([[16.86106528, 0. , 0. ], [ 0. , 11.07993065, 0. ], [ 0. , 0. , 7.13719934], [ 0. , 0. , 0. ]]) # 验证分解的正确性 In [62]: np.allclose(a, np.dot(u, np.dot(smat, vh))) Out[62]: True
