考慮奇異值分解M = USV *。然後M * M的特徵值分解給出M * M = V(S * S)V * = VS * U * USV *。我希望通過展示由eigh
函數返回的特徵向量是相同的svd
功能恢復驗證與numpy的這種平等:用numpy的eigh和svd計算的特徵向量不匹配
import numpy as np
np.random.seed(42)
# create mean centered data
A=np.random.randn(50,20)
M= A-np.array(A.mean(0),ndmin=2)
# svd
U1,S1,V1=np.linalg.svd(M)
S1=np.square(S1)
V1=V1.T
# eig
S2,V2=np.linalg.eigh(np.dot(M.T,M))
indx=np.argsort(S2)[::-1]
S2=S2[indx]
V2=V2[:,indx]
# both Vs are in orthonormal form
assert np.all(np.isclose(np.linalg.norm(V1,axis=1), np.ones(V1.shape[0])))
assert np.all(np.isclose(np.linalg.norm(V1,axis=0), np.ones(V1.shape[1])))
assert np.all(np.isclose(np.linalg.norm(V2,axis=1), np.ones(V2.shape[0])))
assert np.all(np.isclose(np.linalg.norm(V2,axis=0), np.ones(V2.shape[1])))
assert np.all(np.isclose(S1,S2))
assert np.all(np.isclose(V1,V2))
最後斷言失敗。爲什麼?
您可以添加對於所有對角線元素都是正數,即令M2 = M + a * I,其中a足夠大以使M2正半邊。那麼SVD和eigh應該更好地達成一致。 –