python 矩阵特征值分解_特征值分解和奇异值分解
特征值分解
特征值分解是将一个方阵A分解为如下形式:
其中,Q是方阵A的特征向量组成的矩阵,
是一个对角矩阵,对角线元素是特征值。
通过特征值分解得到的前N个特征向量,表示矩阵A最主要的N个变化方向。利用这前N个变化方向,就可以近似这个矩阵(变换) 。
奇异值分解
奇异值分解(Singular Value Decomposition,SVD)是在机器学习领域广泛应用的算法,它不仅可以用于降维算法中的特征分解,还可以用于推荐系统,以及自然语言处理等领域。 它能适用于任意的矩阵的分解。
SVD是将m*n的矩阵A分解为如下形式:
其中,U和V是正交矩阵,即
,U是左奇异矩阵,
,S是
的对角阵(对角线上的元素是奇异值,非对角线元素都是0),
右奇异向量,
。
特征值用来描述方阵,可看做是从一个空间到自身的映射。奇异值可以描述长方阵或奇异矩阵,可看做是从一个空间到另一个空间的映射。
奇异值和特征值是有关系的,奇异值就是矩阵
的特征值的平方根。
步骤
输入:样本数据
输出:左奇异矩阵,奇异值矩阵,右奇异矩阵计算特征值:特征值分解
,其中
为原始样本数据
得到左奇异矩阵
和奇异值矩阵
间接求部分右奇异矩阵:求
利用
可得
返回
,分别为左奇异矩阵,奇异值矩阵,右奇异矩阵。
python实现
调用eig和svd方法
import numpy as np
data = np.array([[1, 0, 4], [2, 2, 0], [0, 0, 5]]) # 数组
# 调用np.linalg.eig()对data*data'进行特征值分解
eig_value, eig_vector = np.linalg.eig(data.dot(data.T))
# 将特征值降序排列
eig_value = np.sort(eig_value)[::-1]
print("特征值:", eig_value) # 特征值
print("特征值的平方根:", np.sqrt(eig_value)) # 特征值的平方根
# 调用np.linalg.svd()对data进行奇异值分解
U, S, V = np.linalg.svd(data)
# 降到两维,计算U*S*V 结果应该和data几乎相同
recon_data = np.round(U[:,:2].dot(np.diag(S[:2])).dot(V[:2,:]), 0).astype(int)
print("奇异值:", S) # 奇异值
print("data:\n",data)
print("U*S*V的结果:\n",recon_data)
从结果上验证了奇异值就是矩阵
的特征值的平方根。结果如下:特征值: [41.44423549 8.26378188 0.29198263]
特征值的平方根: [6.43771974 2.87467944 0.54035417]
奇异值: [6.43771974 2.87467944 0.54035417]
data: [[1 0 4] [2 2 0] [0 0 5]]
U*S*V的结果: [[1 0 4] [2 2 0] [0 0 5]]
按SVD原理实现
import numpy as np
# 1.调用np.linalg.eig()计算特征值和特征向量
eig_val, u_vec = np.linalg.eig(data.dot(data.T))
s_val = np.sqrt(eig_val) # 奇异值:是特征值的平方根
# 将向量u_vec对应排好序
s_val_sort_idx = np.argsort(s_val)[::-1]
u_vec = u_vec[:, s_val_sort_idx]
# 奇异值降序排列
s_val = np.sort(s_val)[::-1]
# 2.计算奇异值矩阵的逆
s_val_inv = np.linalg.inv(np.diag(s_val))
# 3.计算右奇异矩阵
v_vec = s_val_inv.dot((u_vec.T).dot(data))
# 降到两维,计算U*S*V 结果应该和data几乎相同
recon_data = np.round(u_vec[:,:2].dot(np.diag(s_val[:2])).dot(v_vec[:2,:]),0).astype(int)
print("左奇异矩阵U:\n", u_vec)
print("奇异值Sigma:\n", s_val)
print("右奇异矩阵V:\n", v_vec)
print("data:\n",data)
print("U*S*V的结果:\n",recon_data)
运行结果
左奇异矩阵U:
[[ 0.63464303 -0.12919086 0.76193041]
[ 0.03795231 -0.97952798 -0.19769816]
[ 0.77187295 0.15438478 -0.61674751]]
奇异值Sigma:
[6.43771974 2.87467944 0.54035417]
右奇异矩阵V:
[[ 0.11037257 0.01179061 0.99382034]
[-0.72642772 -0.68148675 0.08876135]
[ 0.67832195 -0.73173546 -0.06665242]]
data:
[[1 0 4]
[2 2 0]
[0 0 5]]
U*S*V的结果:
[[1 0 4]
[2 2 0]
[0 0 5]]
基于SVD的图像压缩
基于SVD图片压缩: 图片其实就是数字矩阵,通过SVD将该矩阵降维,只使用其中的重要特征来表示该图片从而达到了压缩的目的。
path = 'Andrew Ng.jpg'
data = io.imread(path,as_grey=True)
print(data.shape)
data = np.mat(data) # 需要mat处理后才能在降维中使用矩阵的相乘
U, sigma, VT = np.linalg.svd(data)
count = 30 # 选择前30个奇异值
# 重构矩阵
dig = np.diag(sigma[:count]) # 获得对角矩阵
# dim = data.T * U[:,:count] * dig.I # 降维 格外变量这里没有用 dig.I:是求dig的逆矩阵
redata = U[:, :count] * dig * VT[:count, :] # 重构后的数据
plt.imshow(data, cmap='gray') # 取灰
plt.title("原始图片")
plt.show()
plt.imshow(redata, cmap='gray') # 取灰
plt.title("基于SVD压缩重构后的图片")
plt.show()
原图片为720x1080,保存像素点值为720x1080 = 777600,使用SVD算法,取前30个奇异值则变为(720+1+1080)*30=54030,达到了几乎15倍的压缩比,极大的减少了存储量。
结果如下
附录
方阵
方阵:是一种特殊的矩阵。方阵是n*n的矩阵
特征值和特征向量
设A是n阶方阵,若存在n维非零向量
,使得
则称常数
为A的特征值,
为A的对应于
的特征向量。
np.diag()
np.diag(array)参数说明:
array是一个1维数组时,结果形成一个以一维数组为对角线元素的矩阵;
array是一个二维矩阵时,结果输出矩阵的对角线元素
import numpy as np
# 输入是1维数组时,结果形成一个以一维数组为对角线元素的矩阵
data_1 = np.array([1,2,3])
print("输入是1维数组时的结果:\n",np.diag(data_1))
# 输入是二维矩阵时,结果输出矩阵的对角线元素
data_2 = np.array([[1,0,4],[2,2,0],[0,0,5]])
print("输入是2维数组时的结果:\n",np.diag(data_2))
运行结果输入是1维数组时的结果: [[1 0 0] [0 2 0] [0 0 3]]
输入是2维数组时的结果: [1 2 5]
相关链接
python 矩阵特征值分解_特征值分解和奇异值分解相关推荐
- python矩阵施密特标准型_矩阵与数值计算(3)——Schur标准型和Jordan分解
前言 之前介绍过几种矩阵分解方法,都可以有效的提升矩阵方程的数值求解问题,其中LU分解尤其适合于中小型.稠密矩阵的求解问题.我们最理想的矩阵就是可相似对角化的矩阵,直接可以分解成两个酉矩阵和一个对角矩 ...
- 矩阵奇异值分解特征值分解_推荐系统中的奇异值分解与矩阵分解
矩阵奇异值分解特征值分解 Recently, after watching the Recommender Systems class of Prof. Andrew Ng's Machine Lea ...
- python矩阵处理库_用于处理非常大的矩阵的Python库
什么是用于处理非常大的矩阵(例如数百万行/列)的优秀 Python库,包括在矩阵生命的任何阶段添加行或列的能力? 我查看过pytables和h5py,但是一旦创建了矩阵,它们都不支持添加或删除行或列. ...
- python矩阵相乘例题_百道Python入门级练习题(新手友好)第一回合——矩阵乘法...
题目描述 [问题描述] 编写程序,完成3*4矩阵和4*3整数矩阵的乘法,输出结果矩阵. [输入形式] 一行,供24个整数.以先行后列顺序输入第一个矩阵,而后输入第二个矩阵. [输出形式] 先行后列顺序 ...
- pbs分解_产品分解结构
(重定向自Pbs) 产品分解结构(Product Breakdown Structure,PBS) [编辑] 产品分解结构的概述 产品分解结构是通过树状结构反映产品的各类部件,每类部件在结构中仅出现一 ...
- python矩阵乘法算法_纯python进行矩阵的相乘运算的方法示例
本文介绍了纯python进行矩阵的相乘运算的方法示例,分享给大家,具体如下: def matrixMultiply(A, B): # 获取A的行数和列数 A_row, A_col = shape(A) ...
- python矩阵左除_技术图文:Matlab VS. Numpy 矩阵基本运算
背景 前段时间在知识星球上立了一个Flag,至少写10篇关于 Python,Matlab 和 C# 对比的总结. 这是第 3 篇,对比 Matlab 与 Numpy 在矩阵基本运算方面的区别与联系. ...
- python矩阵和向量乘积_向量点积和矩阵乘积的区别
点积 dot product 点积是针对向量而言的. 我们可以理解为维度[n,1]或者[1,n],一维的矩阵. 在python中,我们设置一个array,查看其shape: >>> ...
- python矩阵行秩函数_为什么矩阵行秩等于列秩?
挖坟 最近整理一些基础知识的时候,也被这个问题困惑着. 书上的解释是,任何矩阵通过初等变换都可以化成标准型(单位阵+一些全零行或列).显然行秩和列秩是相等的. 但是相比代数上的解释,我更想要寻求几何上 ...
- python矩阵乘法分治_分治法实现矩阵乘法
#include #include #include #include using namespace std; int *InitMatrix(int row,int col);//初始化 void ...
最新文章
- 【C++】二叉树的先序、中序、后序遍历序列
- c++ 测试串口速率_Raspberry Pi Zero W:串口(UART)的配置和使用
- 据说这套组合拳,可以把面试官给问懵逼了,你要不要试试?
- smartfoxserver java客户端_SmartFoxServer之服务器篇一
- 「后端小伙伴来学前端了」分析Vue脚手架结构
- IM开发基础知识补课(五):通俗易懂,正确理解并用好MQ消息队列
- mysql的一些初步使用!mysqlcheck mysqladmin 建立删除修改表,库,等
- SQL Server 影响dbcc checkdb的 8 种因素
- python创建画布与子图_python实现在一个画布上画多个子图
- 【elasticsearch】跨集群搜索
- MVC之LayOut布局页
- 从0开始学Python,0基础小白
- 计算机ip配置不正确怎么办,电脑ip地址不对该怎么办
- 快速乘 防爆乘 快速幂
- 23种设计模式(四)组件协作之观察者模式
- PHP Error(不定时更新)
- Raki的读paper小记:Star-Transformer
- 滨州智能dcs系统推荐_FM163E和利时DCS组件系统滨州
- 单片机制作工具大汇总!!
- 在线广告系统的架构变迁
热门文章
- HTML怎么消除链接下划线,HTML怎么去掉超链接的下划线
- delphi android 打印机,delphi中如何检测打印机状态?(在线等) ( 积分: 100 )
- 文件指针移动(完整版)
- 功率放大芯片IR2184介绍
- [随想感悟] 申论到底是什么 写好申论的要点
- t检验临界值表中的n是什么_t检验临界值表
- MLP-Mixer详解
- python如何调用函数三次_python中如何调用函数
- 使用 Power Apps CLI
- Deepin 深度操作系统安装教程