Betrachten Sie die Singulärwertzerlegung M = USV *. Dann ergibt die Eigenwertzerlegung von M * M M * M = V (S * S) V * = VS * U * USV *. Ich möchte diese Gleichheit mit numpy überprüfen, indem Sie zeigen, dass die Eigenvektoren von eigh
Funktion sind die gleichen wie die von svd
Funktion zurückgegeben zurückgegeben:Eigenvektoren, die mit nepy's eigh und svd berechnet wurden, stimmen nicht überein
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))
Die letzte Behauptung fehlschlägt. Warum?
Sie können hinzufügen eine positive Zahl für alle diagonalen Elemente, dh M2 = M + a * I, wobei a groß genug ist, um M2 positiv semidefnit zu machen. Dann sollten SVD und Eigh besser zustimmen. –