标签：linalg sigma svd 矩阵 奇异 大小 numpy

numpy.linalg.svd函数
转载自：python之SVD函数介绍
函数：np.linalg.svd(a,full_matrices=1,compute_uv=1)
参数：
https://www.cnblogs.com/xym4869/p/11301727.html
a是一个形如(M,N)的矩阵
full_matrices的取值为0或者1，默认值为1，这时u的大小为(M,M)，v的大小为(N,N) 。否则u的大小为(M,K)，v的大小为(K,N) ，K=min(M,N)。
compute_uv的取值是为0或者1，默认值为1，表示计算u,s,v。为0的时候只计算s。
返回值：

总共有三个返回值u,s,v
u大小为(M,M)，s大小为(M,N)，v大小为(N,N)。
A=u∗s∗v
其中s是对矩阵a的奇异值分解。s除了对角元素不为0，其他元素都为0，并且对角元素从大到小排列。s中有n个奇异值，一般排在后面的比较接近0，所以仅保留比较大的r个奇异值。
举例：

from numpy import *
data = mat([[1,2,3],[4,5,6]])
U,sigma,VT = np.linalg.svd(data)
print U
[[-0.3863177 -0.92236578]
[-0.92236578 0.3863177 ]]
print sigma
[9.508032 0.77286964]
print VT
[[-0.42866713 -0.56630692 -0.7039467 ]
[ 0.80596391 0.11238241 -0.58119908]
[ 0.40824829 -0.81649658 0.40824829]]
因为sigma是除了对角元素不为0，其他元素都为0。所以返回的时候，作为一维矩阵返回。本来sigma应该是由3个值的，但是因为最后一个值为0，所以直接省略了。

关于奇异值：

对于方阵而言，A=QQ−1，其中Q为特征向量。但不是方阵的矩阵没有特征向量。
非方阵矩阵可以用奇异值分解描述矩阵。A=USVT，其中U叫做左奇异值，S叫做奇异值，V叫做右奇异值。因为S只有对角线的数不为0，并且数值是从大到小排列，所以一般只取r个。r的值越接近A的列数，那么三个矩阵的乘法得到的矩阵越接近A。
因为三个矩阵的面积之和远远小于原矩阵A，所以当A是很大的矩阵，我们向压缩空间表达A的时候，可以使用这三个矩阵。
当A不是矩阵时，把A转置成AT。且(AAT)v=λv，其中v是右奇异值，∂v=λ−−√，这里的∂就是上述的奇异值。u=Av∂，u就是上面的左奇异值。

标签：linalg,sigma,svd,矩阵,奇异,大小,numpy
来源： https://www.cnblogs.com/boyang987/p/15907235.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。