考虑奇异值分解M = USV *。然后M * M的特征值分解给出M * M = V(S * S)V * = VS * U * USV *。我希望通过展示由eigh
函数返回的特征向量是相同的svd
功能恢复验证与numpy的这种平等:用numpy的eigh和svd计算的特征向量不匹配
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))
最后断言失败。为什么?
您可以添加对于所有对角线元素都是正数,即令M2 = M + a * I,其中a足够大以使M2正半边。那么SVD和eigh应该更好地达成一致。 –