使用 Numpy (np.linalg.svd) 进行奇异值分解
Posted
技术标签:
【中文标题】使用 Numpy (np.linalg.svd) 进行奇异值分解【英文标题】:Using Numpy (np.linalg.svd) for Singular Value Decomposition 【发布时间】:2014-09-14 19:11:31 【问题描述】:我正在阅读 Abdi & Williams (2010) “主成分分析”,我正在尝试重做 SVD 以获得进一步 PCA 的值。
文章指出以下SVD:
X = P D Q^t
我将数据加载到 np.array X 中。
X = np.array(data)
P, D, Q = np.linalg.svd(X, full_matrices=False)
D = np.diag(D)
但我在检查时没有得到上述相等性
X_a = np.dot(np.dot(P, D), Q.T)
X_a 和 X 是相同的维度,但值不同。我是否遗漏了什么,或者 np.linalg.svd 函数的功能与论文中的公式不兼容?
【问题讨论】:
【参考方案1】:我认为对于那些在 Python/linalg 库中使用 SVD 的人来说,仍然有一些要点。首先,https://docs.scipy.org/doc/numpy/reference/generated/numpy.linalg.svd.html 是 SVD 计算函数的一个很好的参考。
以 SVD 计算为 A= U D (V^T), 对于 U, D, V = np.linalg.svd(A),此函数已经以 V^T 形式返回 V。 D也只包含特征值,因此它必须被塑造成矩阵形式。因此重建可以用
import numpy as np
U, D, V = np.linalg.svd(A)
A_reconstructed = U @ np.diag(D) @ V
关键是,如果 A 矩阵不是方阵而是矩形矩阵,这行不通,你可以改用它
import numpy as np
U, D, V = np.linalg.svd(A)
m, n = A.shape
A_reconstructed = U[:,:n] @ np.diag(D) @ V[:m,:]
或者您可以在 SVD 函数中使用 'full_matrices=False' 选项;
import numpy as np
U, D, V = np.linalg.svd(A,full_matrices=False)
A_reconstructed = U @ np.diag(D) @ V
【讨论】:
【参考方案2】:TL;DR:numpy 的 SVD 计算 X = PDQ,所以 Q 已经转置。
SVD 有效地将矩阵X
分解为旋转P
和Q
以及对角矩阵D
。 linalg.svd()
的版本我已经返回了 P
和 Q
的正向旋转。在计算 X_a
时,您不想转换 Q
。
import numpy as np
X = np.random.normal(size=[20,18])
P, D, Q = np.linalg.svd(X, full_matrices=False)
X_a = np.matmul(np.matmul(P, np.diag(D)), Q)
print(np.std(X), np.std(X_a), np.std(X - X_a))
我得到:1.02、1.02、1.8e-15,表明X_a
非常准确地重构了X
。
如果您使用的是 Python 3,@
运算符实现矩阵乘法并使代码更易于理解:
import numpy as np
X = np.random.normal(size=[20,18])
P, D, Q = np.linalg.svd(X, full_matrices=False)
X_a = P @ diag(D) @ Q
print(np.std(X), np.std(X_a), np.std(X - X_a))
print('Is X close to X_a?', np.isclose(X, X_a).all())
【讨论】:
根据np.dot's documentation,矩阵乘法首选np.matmul
根据罗德里戈的评论更新了答案。还添加了较新的“@”符号。【参考方案3】:
来自 scipy.linalg.svd 文档字符串,其中 (M,N) 是输入矩阵的形状,K 是两者中较小的一个:
Returns
-------
U : ndarray
Unitary matrix having left singular vectors as columns.
Of shape ``(M,M)`` or ``(M,K)``, depending on `full_matrices`.
s : ndarray
The singular values, sorted in non-increasing order.
Of shape (K,), with ``K = min(M, N)``.
Vh : ndarray
Unitary matrix having right singular vectors as rows.
Of shape ``(N,N)`` or ``(K,N)`` depending on `full_matrices`.
如上所述,Vh 是 Abdi 和 Williams 论文中使用的 Q 的转置。所以只是
X_a = P.dot(D).dot(Q)
应该给你答案。
【讨论】:
以上是关于使用 Numpy (np.linalg.svd) 进行奇异值分解的主要内容,如果未能解决你的问题,请参考以下文章
python vs R中的矩阵乘法没有为SVD白化返回相同的结果
numpy使用np.printoptions函数抑制numpy对于长numpy数组的自动省略显示numpy数组中的所有数据