用python代码验证特征值、特征向量分解和奇异值分解

文章目录

• • 特征值，特征向量分解
  • • 特征值，特征向量
    • 特征值分解
  • SVD奇异值分解

特征值，特征向量分解 特征值，特征向量

A ⃗ ∗ v ⃗ = λ ∗ v ⃗ \vec A*\vec v=\lambda * \vec v A ∗v =λ∗v

只有方阵，才能进行特征值，特征向量分解。

协方差矩阵是对称方阵，其每个维度的数据量就是特征数。

这也是为什么协方差矩阵可以进行特征值、特征向量分解的原因。

PCA降维的原理就是对协方差进行特征值，特征向量分解，找到重要的特征方向。

import numpy as np
np.random.seed(0)
a=np.random.randint(1,10,size=(3,3)) # 构建方阵
a

array([[6, 1, 4],
       [4, 8, 4],
       [6, 3, 5]])

eigen,ev=np.linalg.eig(a)
display(eigen,ev)

array([13.28906266,  0.3964637 ,  5.31447364])

array([[ 0.40460105,  0.55943531,  0.44858832],
       [ 0.72627145,  0.13584764, -0.88211861],
       [ 0.55572275, -0.81766592,  0.14364987]])

• 取出第一个特征值和特征向量，验证公式

a.dot(ev[:,0])

array([5.37676876, 9.65146679, 7.3850344 ])

eigen[0]*ev[:,0]

array([5.37676876, 9.65146679, 7.3850344 ])

特征值分解

A = P ∗ Σ ∗ P − 1 A=P*\Sigma*P^{-1} A=P∗Σ∗P−1 当A是对称方阵时， P − 1 = P T P^{-1}=P^T P−1=PT

验证公式

eigen

array([13.28906266,  0.3964637 ,  5.31447364])

# 构造对角矩阵
sigma=np.diag(eigen)

ev.dot(sigma).dot(np.linalg.inv(ev))

array([[6., 1., 4.],
       [4., 8., 4.],
       [6., 3., 5.]])

和原来结果对比

a

array([[6, 1, 4],
       [4, 8, 4],
       [6, 3, 5]])

SVD奇异值分解

并不是所有的矩阵都可以进行特征值，特征向量分解。

奇异值分解是对原矩阵的一种近似分解。

B = U ∗ Σ ∗ V T B=U*\Sigma*V^T B=U∗Σ∗VT U和V都是酉矩阵

b=np.random.randint(1,10,size=(5,3))

u,sigma,vh=np.linalg.svd(b)
display(u.shape,sigma.shape,vh.shape)

(5, 5)
(3,)
(3, 3)

# 构造对角矩阵
sigma_matrix=np.zeros((5,3))
sigma_matrix[:3,:3]=np.diag(sigma)
sigma_matrix

array([[19.59246337,  0.        ,  0.        ],
       [ 0.        ,  7.52382243,  0.        ],
       [ 0.        ,  0.        ,  2.12778643],
       [ 0.        ,  0.        ,  0.        ],
       [ 0.        ,  0.        ,  0.        ]])

# 验证公式
np.allclose(b,u.dot(sigma_matrix).dot(vh))

True