Question

我正在尝试制作简单的线性回归函数，但继续遇到

numpy.linalg.linalg.LinAlgError：奇异矩阵错误

现有功能（带调试打印）：

def makeLLS(inputData, targetData):
    print "In makeLLS:"
    print "    Shape inputData:",inputData.shape
    print "    Shape targetData:",targetData.shape
    term1 = np.dot(inputData.T, inputData)
    term2 = np.dot(inputData.T, targetData)
    print "    Shape term1:",term1.shape
    print "    Shape term2:",term2.shape
    #print term1
    #print term2
    result = np.linalg.solve(term1, term2)
    return result

使用我的测试数据输出到控制台是：

In makeLLS:
    Shape trainInput1: (773, 10)
    Shape trainTargetData: (773, 1)
    Shape term1: (10, 10)
    Shape term2: (10, 1)

然后它在linalg.solve行上出错。这是一本教科书线性回归函数，我似乎无法弄清楚为什么它会失败。

什么是奇异矩阵误差？

Answer 1

如另一个答案中所解释的那样linalg.solve需要一个完整的秩矩阵。这是因为它试图解决矩阵方程而不是线性回归，这应该适用于所有等级。

有几种线性回归方法。我建议最简单的方法是标准最小二乘法。只需使用numpy.linalg.lstsq代替。包含示例的文档是here。

Answer 2

奇异矩阵是行列式为零的矩阵。这表明您的矩阵具有非线性独立的行。例如，如果其中一行不是线性独立于其他行，那么它可以由其他行的线性组合构成。我将使用numpy的linalg.solve示例来演示。这是doc的例子：

>>> import numpy as np
>>> a = np.array([[3,1], [1,2]])
>>> b = np.array([9,8])
>>> x = np.linalg.solve(a, b)
>>> x
array([ 2.,  3.])

现在，我将更改a以使其成为单数。

>>> a = np.array([[2,4], [1,2]])
>>> x = np.linalg.solve(a, b)
...
LinAlgError: Singular matrix

这是一个非常明显的例子，因为第一行只是第二行的两倍，但希望你明白这一点。

Python numpy的线性回归

2 个答案: