考虑奇异值分解M = USV *。然后,M * M的特征值分解给出M * M = V(S * S)V * = VS * U * USV *。我希望通过显示eigh
函数返回的特征向量与svd
函数返回的特征向量相同来验证numpy的这种相等性:
import numpy as np
np.random.seed(42)
# create mean centered data
A=np.random.randn(50,20)
M= A-np.array(A.mean(0),ndmin=2)
# svd
U1,S1,V1=np.linalg.svd(M)
S1=np.square(S1)
V1=V1.T
# eig
S2,V2=np.linalg.eigh(np.dot(M.T,M))
indx=np.argsort(S2)[::-1]
S2=S2[indx]
V2=V2[:,indx]
# both Vs are in orthonormal form
assert np.all(np.isclose(np.linalg.norm(V1,axis=1), np.ones(V1.shape[0])))
assert np.all(np.isclose(np.linalg.norm(V1,axis=0), np.ones(V1.shape[1])))
assert np.all(np.isclose(np.linalg.norm(V2,axis=1), np.ones(V2.shape[0])))
assert np.all(np.isclose(np.linalg.norm(V2,axis=0), np.ones(V2.shape[1])))
assert np.all(np.isclose(S1,S2))
assert np.all(np.isclose(V1,V2))
最后一个断言失败了。为什么呢?
答案 0 :(得分:14)
只需使用小数字来调试您的问题。
从A=np.random.randn(3,2)
开始,而不是尺寸为(50,20)
在我的随机案例中,我发现
v1 = array([[-0.33872745, 0.94088454],
[-0.94088454, -0.33872745]])
和v2
:
v2 = array([[ 0.33872745, -0.94088454],
[ 0.94088454, 0.33872745]])
它们只对符号有所不同,显然,即使将其标准化为单位模块,矢量也可能因符号而异。
现在,如果你尝试这个技巧
assert np.all(np.isclose(V1,-1*V2))
对于你原来的大矩阵,它失败了......再次,这没关系。会发生的是,某些向量已经乘以-1
,其他一些向量则没有。
检查向量之间相等性的正确方法是:
assert allclose(abs((V1*V2).sum(0)),1.)
事实上,为了了解其工作原理,您可以打印此数量:
(V1*V2).sum(0)
确实是+1
或-1
,具体取决于向量:
array([ 1., -1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., -1., 1., 1., 1., -1., -1.])
编辑:在大多数情况下会发生这种情况,特别是从随机矩阵开始。但请注意,如果一个或多个特征值具有大于1
的特征空间,则此测试可能会失败,正如@Sven Marnach在下面的评论中所指出的那样:
除了向量乘以-1之外,可能还有其他差异。 如果任何特征值具有多维本征空间,那么 可能会得到该特征空间的任意正交基础,并且可能 这些基地可以通过任意方式相互轮换 单一矩阵