Python 潜空间与奇异值分解
我有一个相当大的数据集,我正在计算SVD,然后我想得到矩阵。我的矩阵形状是:(33388104),有很多列和行。我想要80%的能量,即Python 潜空间与奇异值分解,python,numpy,svd,Python,Numpy,Svd,我有一个相当大的数据集,我正在计算SVD,然后我想得到矩阵。我的矩阵形状是:(33388104),有很多列和行。我想要80%的能量,即k=51 当我在返回中返回矩阵时,我得到以下错误: 操作数无法与形状(33388,51)(51,51)一起广播 img是一个图像文件的numpy数组 k是要使用的奇异向量数 如何更正函数以修复此错误 def rank_k_approx(img, k): """Return a rank-k approximation img: an im
k=51
当我在返回中返回矩阵时,我得到以下错误:
操作数无法与形状(33388,51)(51,51)一起广播
img是一个图像文件的numpy数组
k是要使用的奇异向量数
如何更正函数以修复此错误
def rank_k_approx(img, k):
"""Return a rank-k approximation
img: an image (as a 2D grayscale array)
k: number of singular vectors used"""
u, sigma, vt = np.linalg.svd(img)
energy = np.linalg.norm(sigma)**2
approx_energy = np.linalg.norm(sigma[:k])**2
percentage = approx_energy*100/energy
print ("Energy retained = %4.2f"%percentage)
return u[:,:k]*np.diag(sigma[:k])*vt[:k,:]
np.linalg.svd
的输出是ndarray
对象,运算符*
是元素乘法。要计算矩阵积,需要使用np.dot()
或@
运算符
乘法应为:
u[:, :k].dot(np.diag(sigma[:k])).dot(vt[:k])
事实上,我认为这并不能满足我的需要,形状仍然是(33388104),乘法后它是否应该更小?@codebase5000否。您正在对原始矩阵进行秩k近似,其中
k
是恢复原始矩阵80%方差所需的秩。这是原始矩阵的低阶近似值,但其大小与原始矩阵相同。只是,我刚意识到在我按下回车键后,我很抱歉。