如何用sklearn获得所有三个SVD矩阵？

Question

大小为M的矩阵(M,N)的

Singular value decomposition表示分解

如何从scikit-learn和numpy包中获取所有三个矩阵？

我想我可以Sigma获取import numpy as np from sklearn.decomposition import PCA model = PCA(N, copy=True, random_state=0) model.fit(X) Sigma = model.singular_values_ Sigma = np.diag(singular_values) ：

strncat

其他矩阵怎么样？

Answer 1

您可以使用numpy.linalg.svd获取这些矩阵，如下所示：

a=np.array([[1,2,3],[4,5,6],[7,8,9]])
U, S, V = np.linalg.svd(a, full_matrices=True)

S是一个1D数组，表示Sigma中的对角线条目。 U和V是分解的相应矩阵。

顺便提一下，请注意，当您使用PCA时，数据会在应用svd之前居中（与numpy.linalg.svd不同，其中svd直接应用于矩阵本身。请参阅第409-410行{ {3}}）。

Answer 2

不能对Mirian的回答发表评论，因为我没有足够的声誉，但从查看Miriam的链接，sklearn实际上称为scipy的{{1}这似乎与np.linalg.svd (discussion here)

相同

因此，最好使用linalg.svd