标签:matrix-inverse matrix determinants python numpy
根据定义,行列式为零的方阵应该是不可逆的.但是,由于某种原因,在生成协方差矩阵之后,我成功地将其取反,但是采用协方差矩阵的行列式最终输出为0.0.
可能出什么问题了?我应该不信任行列式输出,还是不应该信任协方差逆矩阵?或两者?
我的代码段:
cov_matrix = np.cov(data)
adjusted_cov = cov_matrix + weight*np.identity(cov_matrix.shape[0]) # add small weight to ensure cov_matrix is non-singular
inv_cov = np.linalg.inv(adjusted_cov) # runs with no error, outputs a matrix
det = np.linalg.det(adjusted_cov) # ends up being 0.0
解决方法:
numerical inversion of matrices不涉及计算行列式. (对于大型矩阵,反函数为Cramer’s formula是不实际的.)因此,行列式求值为0的事实(由于浮点数的精度不足)对于矩阵求逆程序而言并不构成障碍.
接下来是BobChao87的评论,这是一个简化的测试用例(Python 3.4控制台,numpy作为np导入)
A = 0.2*np.identity(500)
np.linalg.inv(A)
输出:在主对角线上有5的矩阵,它是A的正确逆.
np.linalg.det(A)
输出:0.0,因为行列式(0.2 ^ 500)太小,无法以双精度表示.
一种可能的解决方案是pre-conditioning(在这里只是重新缩放):在计算行列式之前,将矩阵乘以一个系数,该系数将使矩阵的条目平均接近于1.在我的示例中,np.linalg.det(5 * A)返回1.
当然,这里使用5的系数是作弊行为,但是np.linalg.det(3 * A)也返回非零值(大约1.19e-111).如果您尝试使用np.linalg.det(2 ** k * A)来使k通过适度的正整数运行,则可能会遇到一个返回非零的值.然后,您将知道原始矩阵的行列式约为输出的2 **(-k * n)倍,其中n是矩阵大小.
标签:matrix-inverse,matrix,determinants,python,numpy 来源: https://codeday.me/bug/20191120/2045833.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。