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：

• 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。\(A=USV^T\)，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\(A^T\)。且\((AA^T)v =\lambda v\)，其中\(v\)是右奇异值，\(\partial v = \sqrt \lambda\)，这里的\(\partial\)就是上述的奇异值。\(u=\frac {Av} {\partial}\)，\(u\)就是上面的左奇异值。

转载于:https://www.cnblogs.com/xym4869/p/11301727.html