Numpy SVD中奇异值V中对应列的确定
在Numpy SVD（奇异值分解）中，奇异值分解是一种矩阵分解的方法，用于将一个矩阵分解为三个矩阵的乘积。其中，奇异值分解的结果包括三个矩阵：U、S和V。
- U矩阵：U矩阵是原始矩阵的左奇异向量矩阵，它的列向量是原始矩阵的特征向量。U矩阵的列数等于原始矩阵的行数。
- S矩阵：S矩阵是一个对角矩阵，对角线上的元素称为奇异值。奇异值是原始矩阵的奇异值分解的重要组成部分，它表示了原始矩阵在每个特征向量方向上的重要性。
- V矩阵：V矩阵是原始矩阵的右奇异向量矩阵，它的列向量也是原始矩阵的特征向量。V矩阵的列数等于原始矩阵的列数。
确定奇异值V中对应列的过程是通过奇异值的大小来确定的。奇异值按照从大到小的顺序排列，对应的列向量也按照相同的顺序排列。因此，奇异值V中对应列的确定是根据奇异值的大小来选择的，前面的列向量对应的奇异值较大，后面的列向量对应的奇异值较小。
奇异值分解在很多领域都有广泛的应用，包括图像处理、数据压缩、推荐系统、自然语言处理等。在图像处理中，奇异值分解可以用于图像压缩和降噪；在推荐系统中，奇异值分解可以用于用户-物品评分矩阵的分解，从而实现个性化推荐。
腾讯云提供了一系列与奇异值分解相关的产品和服务，例如腾讯云的人工智能平台AI Lab提供了基于奇异值分解的图像处理和推荐系统算法；腾讯云的云数据库TencentDB提供了支持奇异值分解的数据分析和处理功能。
更多关于腾讯云产品和服务的信息，您可以访问腾讯云官方网站：https://cloud.tencent.com/
相关·内容
1回答
我正在尝试摸索numpy svd vs eig的想法和行为。为什么它们会产生不同的结果？我是在比较苹果和苹果吗？希望我的用法是正确的。下面是我尝试理解SVD和特征向量的简单代码
import numpy as np
from sklearn import preprocessing
np.random.seed(123)
np.set_printoptions(suppress=True)
X = np.random.rand(2, 3)
X1 = preprocessing.scale(X, axis=1)
cov = np.matmul(X1.T, X1)/X1.shape[0]
U
浏览 10提问于2021-03-04得票数 0
1回答
svd公式：A ≈ UΣV*我使用numpy.linalg.svd运行svd算法。我要设定矩阵的维数。
例如：A=3*5维度，运行numpy.linalg.svd之后，U=3*3维度，Σ=3*1维度，V*=5*5维度。
我需要设置特定的维度，比如U=3*64维度，V*=64*5维度。但是在numpy.linalg.svd中似乎没有可选的尺寸参数可以设置。
浏览 0提问于2018-02-28得票数 0
回答已采纳
2回答
我在表演numpy svd
U, S, V = np.linalg.svd(A)
A的形状是：
(10000, 10000)
由于大小，它给我的内存错误：
U, S, V = np.linalg.svd(A, full_matrices=False) # nargout=3
File "/usr/lib/python2.7/dist-packages/numpy/linalg/linalg.py", line 1319, in svd
work = zeros((lwork,), t)
MemoryError
那么我如何为我的矩阵找到svd？
浏览 0提问于2014-01-17得票数 3
1回答
我想要计算矩阵的奇异值分解，以及奇异值的顺序是很重要的。默认情况下，numpy.linalg.svd (和scipy.linalg.svd)对奇异值进行排序，这使得我无法判断哪一列对应于每个奇异值。
示例：
import numpy as np
X = np.array([[-74, 80, 18, -56, -112],
[14, -69, 21, 52, 104],
[66, -72, -5, 764, 1528],
[-12, 66, -30, 4096, 8192],
[3
浏览 0提问于2019-04-20得票数 2
回答已采纳
1回答
根据这篇文章
矩阵可以用一阶矩阵逼近，我知道在matlab kronecker积中，函数是kron，现在假设我们有下面的矩阵。
a=[2 1 3;4 3 5]
a =
2 1 3
4 3 5
这个矩阵的SVD是
[U E V]=svd(a)
U =
-0.4641 -0.8858
-0.8858 0.4641
E =
7.9764 0 0
0 0.6142 0
V =
-0.5606 0.1382 -0.
浏览 4提问于2014-04-01得票数 0
回答已采纳
1回答
我用c中的gsl库计算矩阵A(m，n)的零空间。
遵循gsl中奇异值分解(SVD)函数的文档，例如A= USVt
对于秩不足矩阵，A的零空间由对应于零个奇异值的V的列给出。
对应的函数是
int gsl_linalg_SV_decomp(gsl_matrix * A, gsl_matrix * V, gsl_vector * S, gsl_vector * work)
语法如下：
#include <gsl/gsl_linalg.h>
#include <gsl/gsl_blas.h>
#include <stdio.h>
#include <stdl
浏览 20提问于2017-07-12得票数 0
回答已采纳
1回答
我一直在努力寻找获得矩阵的第一个和前两个奇异值的方法。但在我们的研究之后，我想我可以在这里得到一些关于如何找到矩阵的第一个奇异值的帮助。 import numpy.matlib
import numpy as np
from scipy.linalg import svd
def get_singular_values(M, k):
u, s, v = np.linalg.svd(M, full_matrices=False)
singular_values = numpy.matrix(u[:, :k]) * numpy.diag(s[:k]) *
浏览 35提问于2019-10-04得票数 0
回答已采纳
我是python编程的新手，所以如果我的问题太基本了，请原谅。我以前从这个论坛得到了很大的帮助，感谢你们的所有贡献。
这一次，我有一组12,000个图像数据，我正在对它们执行奇异值分解(svd)并计算它们的平均值。一些图像具有非常高的正值或负值的像素，我不想在计算过程中使用它们，所以我使用numpy.ma.masked_array将它们从svd和平均值计算中排除。而且一些图像比其他图像更小，它们被填充了零值，以使所有图像具有相同的(像素)尺寸。但我也不希望在计算过程中使用“零填充”，所以我使用numpy.ma.masked_array将它们排除在svd和mean计算之外。
以下是一些示例图片：
浏览 1提问于2015-08-02得票数 2
2回答
在Matlab中，SVD函数输出三个矩阵：
[U,S,V] = svd(X)
我们可以使用S矩阵来找到尽可能少的分量，以降低X的维数以保留足够的方差。我的问题是如何使用Opencv找到S矩阵(而不是U矩阵)，是否可以使用OpenCV SVD中的build找到S矩阵？我的意思是，Matlab奇异值分解函数输出三个矩阵，就像OpenCV一样，但我不知道它们是否相同。这是OpenCV中的奇异值分解：
SVD::compute(InputArray src, OutputArray w, OutputArray u, OutputArray vt, int flags=0 )
这是Matlab奇异
浏览 2提问于2012-08-20得票数 4
回答已采纳
我有一个输入矩阵：
let t = [
[0,1,0],
[0,1,0],
[0,0,0]
]
我想使用numeric.js计算它的SVD：
let U = N.svd(t).U;
U是
[-0.7071067811865475, 0.7071067811865475, 0]
[-0.7071067811865475, -0.7071067811865475, 0]
[0, 0, 1]
我用numpy做了同样的操作：
A=np.array([[0,1,0],[0,1,0],[0,0,0]])
np.linalg.svd(A)[0]
输出：
[0.7
浏览 3提问于2017-09-11得票数 0
回答已采纳
我目前正在使用numpy.linalg的SVD函数在一个大的矩阵(准确地说是一个图像)上计算svd。我找到的文档和示例似乎都表明，返回的Sigma值是按降序排序的(这意味着U和V^T的顺序是正确的)。
然而，在我的测试中，sigma值似乎是无序的。因此，我的问题是，是否由于某种原因，我的linalg中出现了错误(据我所知，极不可能)，或者它只是将sigma返回为无序？
然后，后续问题是对sigma排序的最佳方法，以便U和V^T中的顺序也反映变化。
浏览 1提问于2012-08-29得票数 1
回答已采纳
1回答
假设我们有一些矩阵的SVD分解。
[U E V]=svd(X);
我想勾勒出奇异值的累积和图，所以我这样做了。
sigmas=diag(E);
%figure; plot(log10(sigmas)); title('Singular Values (Log10 Scale)');
figure; plot(cumsum(sigmas) / sum(sigmas)); title('Cumulative Percent of Total Sigmas');
得到跟随图
我理解了这张图表，因为我们看到大约4条线不是线性的，但是在这4条线变成线性后，这是
浏览 1提问于2014-04-17得票数 1
回答已采纳
1回答
我合并了两个数据帧，它们有一些公共的列，但是有一些不同的列。我想将奇异值分解(SVD)应用于组合数据帧.但是，填充NaN值会影响结果，在我的情况下，即使用零填充数据也是错误的，因为有些列的值为零。下面是一个例子。有什么办法解决这个问题吗？
>>> df1 = pd.DataFrame(np.random.rand(6, 4), columns=['A', 'B', 'C', 'D'])
>>> df1
A B C D
0 0.
浏览 6提问于2016-02-23得票数 0
1回答
。
我要用imread()把图像转换成3个矩阵，然后用N=1,2,3,4,8,16,32,64,128项计算每个矩阵的截断和逼近。我有矩阵，但我不太确定最后一部分，读起来有点模糊。截断和近似是什么意思？
根据给定的答案更新：
我尝试了以下几点：
A = double(imread("image.jpg"))/255;
[U1, S1, V1] = svd(A(:,:,1));
[U2, S2, V2] = svd(A(:,:,2));
[U3, S3, V3] = svd(A(:,:,3));
N = 128;
trunc_image = (U1
浏览 3提问于2016-04-25得票数 0
回答已采纳
我有矩阵A和矩阵[U,S,V]，比如[U, S, V] = svd(A)。
我如何在matlab中修改我的脚本以得到U的10列，这些列对应于A的10个最大奇异值(即S中的最大值)？
浏览 1提问于2015-02-10得票数 1
回答已采纳
我是通过跟踪这个来学习的。
矩阵被构造为
C = np.matrix([[5,5],[-1,7]])
C
matrix([[ 5, 5],
[-1, 7]])
讲师给出的V值为
这很接近
w, v = np.linalg.eig(C.T*C)
matrix([[-0.9486833 , -0.31622777],
[ 0.31622777, -0.9486833 ]])
但是np.linalg.svd(C)给出了不同的输出
u, s, vh = np.linalg.svd(C)
vh
matrix([[ 0.31622777, 0.9486833
浏览 1提问于2019-06-24得票数 12
回答已采纳
我正在将SVD应用于Python中的一个大型稀疏矩阵。我正在使用来自scipy.sparse.linalg包的svd。奇异值从升序中排序，因此奇异向量被排列成对应于升序奇异值的奇异向量。我想知道是否有一个选项，输出奇异值的降序，这样奇异向量也安排了相应的下降奇异值？下面只是一个示例代码：
from scipy.sparse.linalg import svds
from scipy import sparse
X = numpy.random.uniform(size = [40, 20])
X = scipy.sparse.csc_matrix(X)
u, s, vt = svds(X, 1
浏览 3提问于2014-06-30得票数 3
回答已采纳
1回答
我正在阅读一本书，书名为“与Scikit一起动手机器学习-学习，Keras和Tensorflow”，作者解释了矩阵的伪逆(Moore-Penrose逆)是如何在线性回归的背景下计算的。我在这里逐字引用：
伪逆本身是用一种标准的矩阵分解技术(奇异值分解)来计算的，它可以将训练集矩阵X分解成三个矩阵U Σ VT的矩阵乘法(见numpy.linalg.svd())。伪逆计算为：X+ = V * Σ+ * UT.计算矩阵Σ<code>E 218</code>+，该算法取<code>E 119</code>Σ<代码>E 220</代码&
浏览 4提问于2020-02-01得票数 1
回答已采纳
1回答
我对图像进行了块SVD分解，并存储了结果。现在，我需要根据这个结果进行重建。我发现没有几个例子都是用Matlab写的，这对我来说是个谜。我只需要一个公式，用它来重建我的图片，或者用C语言编写的例子。矩阵A等于U*S*V‘。如何看公式，例如，计算前五个奇异值(哪一行和列的乘积)？请提供类似C风格的索引公式。U和V‘是矩阵，S是向量(不是矩阵)。
浏览 4提问于2012-12-23得票数 3
我想在Python的代码方面得到一些帮助。我是Python的新手。
在高级时，我从命令行读取一个(.png)文件，放入原始数组，计算svd，在命令行的基础上找到高等级的svd，与原始数组相乘，然后将文件和数组输出。
我的问题是:生成的文件被扭曲了，看起来不像我想要生成的真实图片。
我的问题是:我已经把我正在使用的代码片段放好了，你能指出我做的不对吗？
import sys
import os
import numpy
import numpy.linalg
import scipy.misc
def getOutputPngName(path, rank):
filename, ex
浏览 3提问于2017-11-28得票数 1
回答已采纳
1回答
我知道np.linalg.svd(A)会返回矩阵A的奇异值分解。
A=u * np.diag(s) * v
然而，如果它是一个对称矩阵，你只需要一个么正矩阵：
A=v.T * np.diag(s) * v
在R中我们可以使用La.svd(A,nu=0)，但是Python语言中有没有什么函数可以加速对称矩阵的奇异值分解过程呢？
浏览 38提问于2016-08-11得票数 2
2回答
在numpy中，当计算矩阵逆(解线性系统)时，我似乎得到了不可接受的高精度。
这是正常水平的不准确吗？
如何提高这一计算的准确性？
另外，是否有一种更有效地解决这个系统的方法？(scipy.linalg.cho_solve看起来很有前途，但没有做我想做的事情)？
在下面的代码中，cholM是一个128x128矩阵。矩阵数据太大，不能在这里包含，而是位于pastebin：上。
另外，原始向量ovec也是随机选择的，因此对于不同的ovec，精度是不同的，但在大多数情况下，误差仍然很高。
编辑采用奇异值分解法求解系统，其误差明显小于其他方法。
import numpy.rando
浏览 9提问于2014-02-17得票数 5
1回答
我正在尝试使用SVD和特征分解来进行一些使用动态模式分解的数据分析。我遇到了一个简单的问题，即从Matlab和Python获得不同的结果。我很困惑，也不知道为什么Python会给我错误的结果/矩阵值，但一切看起来(我认为)都是正确的。 因此，这次我没有使用真实数据并查看大型数据集，而是生成了数据。我将尝试在特征分解之后查看特征值图。我还对数据使用延迟嵌入，因为我将使用一个仅为(2x100)的数据向量，因此我将执行一种Hankel矩阵来丰富具有10个延迟的数据。 clear all; close all; clc;
data = linspace(1,100);
data2 = linspac
浏览 22提问于2019-06-07得票数 2
回答已采纳
我正在将一个应用程序迁移到AWS，该应用程序需要计算一个大型对称正值矩阵，然后进行SVD/特征分解，以恢复一些关键的特征向量和特征值。矩阵的边大小可能是100K或更大，因此我正在寻找Spark中的分布式运算符，以比直接的scipy/numpy SVD运算符更快地执行svd。我不是在做稀疏性的假设。有人可以建议如何使用Spark执行SVD吗？
浏览 2提问于2017-11-11得票数 1
1回答
R中奇异值分解的再现
、、、
我有一个逐个文件矩阵的例子(来自Landauer和Dumais，1997年)：
wxd <- matrix(c(1,1,1,0,0,0,0,0,0,0,0,0,
0,0,1,1,1,1,1,0,1,0,0,0,
0,1,0,1,1,0,0,1,0,0,0,0,
1,0,0,0,2,0,0,1,0,0,0,0,
0,0,0,1,0,1,1,0,0,0,0,0,
0,0,0,0,0,0,0,0,0,1,0,0,
0,0,0,0,0,0,0,0,0,1
浏览 3提问于2016-09-09得票数 0
回答已采纳
我使用Octave和R通过一个简单的矩阵来计算SVD，并得到两个不同的答案！代码如下所示：
R
> a<-matrix(c(1,1,1,1,1,1,1,1,1,1,1,1,0,0,0,0,0,0,0,0,0,1,1,1,0,0,0,0,0,0,0,0,0,1,1,1), 9, 4)
> a
[,1] [,2] [,3] [,4]
[1,] 1 1 0 0
[2,] 1 1 0 0
[3,] 1 1 0 0
[4,] 1 0 1 0
[5,] 1 0 1
浏览 0提问于2011-05-09得票数 9
回答已采纳
我想知道为什么Matlab和OpenCV的奇异值分解计算结果会有符号差异。我输入相同的矩阵
3.65E+06 -2.09E+06 0
YY = -2.09E+06 2.45E+06 0
0 0 0
[U,S,V] = svd(YY);//Matlab
-0.798728902689475 0.601691066917623 0
V = 0.601691066917623 0.798728902689475 0
0
浏览 2提问于2013-04-17得票数 15
有人知道Matlab的svd函数产生的奇异向量的符号是如何确定的吗？
让我们：
B = U*S*V'
是实数或复数2乘2矩阵B的有效svd分解，则：
B = (U*c)*S *(V*c)'
也是有效的，其中c是改变一个或两个奇异向量的符号的矩阵：
c = diag([1 -1]), diag([-1 1]) or diag([-1 -1])。
我想知道Matlab的svd算法是如何确定U和V上的奇异向量的符号的。
浏览 3提问于2014-05-05得票数 4
由于SVD分解不是唯一的(左、右奇异向量对可以同时翻转符号)，我想知道scipy.linalg.svd()返回的U矩阵和V矩阵在多大程度上是“确定性的”/总是相同的？
我尝试了几次，在我的机器上随机数组，它似乎总是返回相同的东西(幸运)，但这会有所不同的机器？
浏览 2提问于2017-07-02得票数 3
回答已采纳
我想计算N8x8 Hermitian矩阵的谱范数，N接近1E6。例如，以这100万个随机复8x8矩阵为例：
import numpy as np
array = np.random.rand(8,8,1e6) + 1j*np.random.rand(8,8,1e6)
目前，使用numpy.linalg.norm需要将近10秒的时间：
np.linalg.norm(array, ord=2, axis=(0,1))
我尝试使用下面的Cython代码，但这只给了我一个微不足道的性能改进：
import numpy as np
cimport numpy as np
cimport cython
浏览 17提问于2015-11-08得票数 4
回答已采纳
1回答
我试着用Matlab计算这个符号矩阵上的奇异值
0 2 3 4*a 5*a
6 7 1 8*a 9*a
使用以下代码：
syms a
M = [0 2 3 4*a 5*a ; 6 7 1 8*a 9*a]
s = svd(M)
它是工作的，我可以得到奇异值，但是使用下面的代码，我可以得到正交矩阵。
[U,S,V] = svd(M)
我知道这个错误：
使用sym/svd (第85行)输入参数时出错必须转换为浮点数.
我该怎么处理呢？
浏览 2提问于2020-02-07得票数 1
回答已采纳
我是大学计算机科学专业的学生，正在为我的Calc III课程做一个涉及奇异值分解的编程项目。其思想基本上是将m×n维的图像转换成m×n矩阵，其中每个元素是表示点(m，n)处的像素的颜色通道(r，g，b)的元组。我之所以使用Python，是因为到目前为止，Python是我唯一真正(学得很好)的语言。
据我所知，Python通常不喜欢将元组作为数组的元素。我自己做了一点研究，找到了一个解决办法，即按如下方式预先分配数组：
def image_to_array(): #converts an image to an array
aPic = loadPicture("zorak_
浏览 1提问于2010-11-20得票数 15
1回答
我有一个维数为(22,2)的矩阵，我想用SVD分解它。不过，numpy中的SVD没有返回正确的维度，我希望像(22,22), (22),(22,2)这样的维度
浏览 4提问于2020-10-21得票数 1
回答已采纳
1回答
我正试图重建我以前用SVD分解的图像。图像如下：
我成功地用以下代码对图像进行了分解：
from PIL import Image
import numpy as np
import matplotlib.pyplot as plt
img = Image.open('steve.jpg')
img = np.mean(img, 2)
U,s,V = np.linalg.svd(img)
s图像的奇异值的数组。我取的奇异值越多，重建的图像就越像原来的图像。
例如，如果我取20个奇异值：
n = 20
S = np.zeros(np.shape(img))
for
浏览 2提问于2020-07-11得票数 1
回答已采纳
1回答
我想在mahout做一份SVD的工作。我有一个矩阵(例如A)创建的(文档x项)的大小为372053 x 21338 (21338没有独特的词，比如N，372053个文档说M)。所以我的矩阵A是大小的(M*N)。我使用mahout运行了svd，得到了清理好的特征向量(我给出了预期的等级为200，假设R)。现在我有一个R*N大小的本征向量矩阵。
SVD方程
A =U*S* V‘(V’为V的转置)
我需要将矩阵A转换成新的空间，以获得文档的压缩向量(我正在尝试实现LSI)
我从mahout SVD得到的输出是什么？(我想知道，根据上面的方程)，我读过，我们可以在生成的本征向量矩阵中从NamedVec
浏览 1提问于2013-10-28得票数 0
我需要计算密集矩阵的奇异值分解，但它似乎不包括在我使用的包中:从Nuget包管理器下载的MathNet.Numerics x86 v2.4.0.26。
我指的是这个问题
链接的答案中包含的语法如下：
var m = DenseMatrix.OfArray(new double[,] {
{ 3, 0, 0, 0, 0 },
{ 0, 2, 4, 0, 0 },
{ 0, 4, 5, -4, 5 },
{ 0, 0, -4, -8, 12},
{ 0, 0, 5, 12, -5 }});
var svd = m.Svd(true); //The meth
浏览 7提问于2014-02-18得票数 2
回答已采纳
1回答
奇异值分解-社会网络分析
、、、
我有一个由邻接矩阵表示的非常大的节点网络。我希望减少网络中的节点数量，以包括更重要的节点。我知道奇异值分解可以帮助我实现这一点，我已经使用ILNumerics库在邻接矩阵上运行了svd()方法。
有人可以简单地向我解释一下输出是如何帮助我减少网络规模的吗？SVD过程给我留下了一个相同大小的矩阵，对角线上的降级值从~2到许多0。我如何知道应该删除哪些维度，哪些维度被认为不重要？
我可能会做这个过程不正确的整体，所以任何帮助都会非常感谢！网上的许多解释很快就会变得非常令人困惑。
浏览 0提问于2013-02-16得票数 2
回答已采纳
1回答
我在R中对一个名为data的数据帧执行SVD
svd1 <- svd(scale(data))
我使用以下命令绘制结果：
plot(svd1$d^2/sum(svd1$d^2),xlab="Column",ylab="Percent of variance explained",pch=19)
我发现在图中，列号并不与数据帧中的列号相对应(无论我在SVD中使用哪个列子集，第一列总是显示最高方差)。
我的问题是，如何在图中获得列名(或“真实”索引)？
浏览 2提问于2013-02-10得票数 1
回答已采纳
1回答
计算矩阵奇异值时的误差
、、、
我试图用2种方法计算矩阵的奇异值。我使用的矩阵是向日葵图像的红色通道。这是，如果你需要的话。
第一种方法是使用SVD：
import matplotlib.pyplot as plt
import matplotlib.image as mpimg
import numpy as np
A = mpimg.imread('sunflower.jpeg')
R = A[:,:,0]
U, S, V = np.linalg.svd(R)
print(S)
第二种方法是使用另一种计算奇异值的方法，其中取R.T*R特征值的平方根。
import matplotlib.pyplot
浏览 7提问于2022-11-24得票数 0
回答已采纳
2回答
我有一百万个3d点要传递给numpy.linalg.svd，但它很快就会耗尽内存。有没有办法把这个操作分解成更小的块？
我不知道它在做什么，但是我应该只传递表示3x3，4x4矩阵的数组吗？因为我在网上看到过它的用法，它们传递的数组包含任意数量的元素。
浏览 0提问于2013-11-02得票数 5
1回答
我试图进入奇异值分解(SVD)。我发现这个包含一个示例。然而，当我在numpy中尝试这个例子时，我得到了“某种”不同的结果。在本例中，输入矩阵是
A = [ [1,1,1,0,0], [3,3,3,0,0], [4,4,4,0,0], [5,5,5,0,0], [0,2,0,4,4], [0,0,0,5,5], [0,1,0,2,2] ]
A = np.asarray(A)
print(A)
[[1 1 1 0 0]
[3 3 3 0 0]
[4 4 4 0 0]
[5 5 5 0 0]
[0 2 0 4 4]
[0 0 0 5 5]
[0 1 0 2 2]]
该矩阵的秩为3 (
浏览 0提问于2018-12-20得票数 3
回答已采纳
2回答
我将奇异值分解应用于CV_32FC1 cvMat，并修改了'u‘组件中的一些值。现在，我尝试将“u”、“w”和“vt”分量相乘，以获得单个矩阵A。但是OpenCV无法将矩阵相乘，错误如下。
OpenCV Error: Assertion failed (type == B.type() && (type == CV_32FC1 || type == CV_64FC1 || type == CV_32FC2 || type == CV_64FC2)) in gemm, file /build/buildd/opencv-2.1.0/src/cxcore/cxmatmul.
浏览 0提问于2012-04-11得票数 0
2回答
我目前正在上基因组学的在线课程，作为一名湿实验室医生，所以我的统计知识并不是最好的。现在我们正在研究R中的PCA和SVD，我得到了一个大矩阵：
head(mat)
ALL_GSM330151.CEL ALL_GSM330153.CEL ALL_GSM330154.CEL ALL_GSM330157.CEL ALL_GSM330171.CEL ALL_GSM330174.CEL ALL_GSM330178.CEL ALL_GSM330182.CEL
ENSG00000224137 5.326553 3.512053
浏览 17提问于2022-10-02得票数 1
2回答
背景
试图识别MNIST的主成分数(k)用于主成分分析，目标为95%。
from sklearn.datasets import fetch_openml
mnist = fetch_openml('mnist_784', version=1)
# Split data into training and test
X, y = mnist["data"], mnist["target"]
X_train, y_train = X[:60000], y[:60000]
COVERAGE=0.95
如果我跟着课程机器学习-主成分分析算法，它是6
浏览 0提问于2019-10-30得票数 1
2回答
我有一个类似于M = K x N的矩阵，其中k是49152，是问题的维数，N是52，是观察的数目。
我尝试过使用[U,S,V]=SVD(M)，但是这样做的内存空间就更少了。
我找到了另一个使用[U,S,V]=SVD(COV(M))的代码，它运行得很好。我的问题是，在COV(M)中使用SVD命令的意义是什么，结果[U,S,V]的含义是什么？
浏览 4提问于2016-07-17得票数 1
回答已采纳
我有一个平方矩阵，并希望使用svd通过消除某些行/列来减少矩阵的条件数。
我使用了numpy/scipy，两者都给出了单数值的排序列表。
使用排序列表，我可以很容易地通过丢弃一些小的奇异值来重建一个较小的矩阵。但是，很难映射到原始矩阵，哪些值已被删除，哪些值被保留。我还需要更多。
是否有任何方法可以确定以后的原始矩阵，哪些索引被保留，哪些被丢弃。
浏览 1提问于2019-05-03得票数 0
下面是我的测试函数：
function diff = svdtester()
y = rand(500,20);
[U,S,V] = svd(y);
%{
y = sprand(500,20,.1);
[U,S,V] = svds(y);
%}
diff_mat = y - U*S*V';
diff = mean(abs(diff_mat(:)));
浏览 0提问于2013-04-06得票数 1
回答已采纳
2回答
我使用以下代码计算PCA：
function [signals,PC,V] = pca2(data)
[M,N] = size(data);
% subtract off the mean for each dimension
mn = mean(data,2);
data = data - repmat(mn,1,N);
% construct the matrix Y
Y = data’ / sqrt(N-1);
% SVD does it all
[u,S,PC] = svd(Y);
% c
浏览 6提问于2014-01-07得票数 0
回答已采纳
1回答
RcppEigen服务非常慢
、、、、
RcppEigen的JacobiSVD在升级到3.0后变慢了吗？我的使用RcppEigen的库现在运行速度更快了。
> n<-1000
> m<-matrix(rnorm(n*n),n,n)
> unix.time(s1<-svd(m)) # R
user system elapsed
10.376 0.028 10.407
> unix.time(s2<-svdArma(m)) # RcppArmadillo
user system elapsed
22.997 0.000 23.001
浏览 1提问于2013-05-04得票数 3
代码：
import numpy
from matplotlib.mlab import PCA
file_name = "store1_pca_matrix.txt"
ori_data = numpy.loadtxt(file_name,dtype='float', comments='#', delimiter=None, converters=None, skiprows=0, usecols=None, unpack=False, ndmin=0)
result = PCA(ori_data)
这是我的密码
浏览 16提问于2014-02-17得票数 44
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
即时通信 IM
实时音视频活动推荐
腾讯云开发者
