numpy linalg模塊的具體使用方法
更新時間：2019年05月26日 16:40:13 作者：森先生
這篇文章主要介紹了numpy linalg模塊的具體使用方法，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧
最近在看機器學(xué)習(xí)的 LogisticRegressor，BayesianLogisticRegressor算法，里面得到一階導(dǎo)數(shù)矩陣g和二階導(dǎo)數(shù)Hessian矩陣H的時候，用到了這個模塊進(jìn)行求解運算，記錄一下。
numpy.linalg模塊包含線性代數(shù)的函數(shù)。使用這個模塊，可以計算逆矩陣、求特征值、解線性方程組以及求解行列式等。
import numpy as np
# 1. 計算逆矩陣
# 創(chuàng)建矩陣
A = np.mat("0 1 2;1 0 3;4 -3 8")
print (A)
#[[ 0 1 2]
# [ 1 0 3]
# [ 4 -3 8]]
# 使用inv函數(shù)計算逆矩陣 inv = np.linalg.inv(A) print (inv) #[[-4.5 7. -1.5] # [-2. 4. -1. ] # [ 1.5 -2. 0.5]]
# 檢查原矩陣和求得的逆矩陣相乘的結(jié)果為單位矩陣 print (A * inv) #[[ 1. 0. 0.] # [ 0. 1. 0.] # [ 0. 0. 1.]]
注：矩陣必須是方陣且可逆，否則會拋出LinAlgError異常。
# 2. 求解線性方程組
# numpy.linalg中的函數(shù)solve可以求解形如 Ax = b 的線性方程組，其中 A 為矩陣，b 為一維或二維的數(shù)組，x 是未知變量
#創(chuàng)建矩陣和數(shù)組
B = np.mat("1 -2 1;0 2 -8;-4 5 9")
b = np.array([0,8,-9])
# 調(diào)用solve函數(shù)求解線性方程
x = np.linalg.solve(B,b)
print (x)
#[ 29. 16. 3.]
# 使用dot函數(shù)檢查求得的解是否正確
print (np.dot(B , x))
# [[ 0. 8. -9.]]
# 3. 特征值和特征向量
# 特征值（eigenvalue）即方程 Ax = ax 的根，是一個標(biāo)量。
#其中，A 是一個二維矩陣，x 是一個一維向量。特征向量（eigenvector）是關(guān)于特征值的向量
# numpy.linalg模塊中，eigvals函數(shù)可以計算矩陣的特征值，而eig函數(shù)可以返回一個包含特征值和對應(yīng)的特征向量的元組
# 創(chuàng)建一個矩陣
C = np.mat("3 -2;1 0")
# 調(diào)用eigvals函數(shù)求解特征值
c0 = np.linalg.eigvals(C)
print (c0)
# [ 2. 1.]
# 使用eig函數(shù)求解特征值和特征向量
#(該函數(shù)將返回一個元組，按列排放著特征值和對應(yīng)的特征向量，其中第一列為特征值，第二列為特征向量)
c1,c2 = np.linalg.eig(C)
print (c1)
# [ 2. 1.]
print (c2)
#[[ 0.89442719 0.70710678]
# [ 0.4472136 0.70710678]]
# 使用dot函數(shù)驗證求得的解是否正確
for i in range(len(c1)):
print ("left:",np.dot(C,c2[:,i]))
print ("right:",c1[i] * c2[:,i])
#left: [[ 1.78885438]
# [ 0.89442719]]
#right: [[ 1.78885438]
# [ 0.89442719]]
#left: [[ 0.70710678]
# [ 0.70710678]]
#right: [[ 0.70710678]
# [ 0.70710678]]
# 4.奇異值分解
# SVD（Singular Value Decomposition，奇異值分解）是一種因子分解運算，將一個矩陣分解為3個矩陣的乘積
# numpy.linalg模塊中的svd函數(shù)可以對矩陣進(jìn)行奇異值分解。該函數(shù)返回3個矩陣——U、Sigma和V，其中U和V是正交矩陣，Sigma包含輸入矩陣的奇異值。
import numpy as np
# 分解矩陣
D = np.mat("4 11 14;8 7 -2")
# 使用svd函數(shù)分解矩陣
U,Sigma,V = np.linalg.svd(D,full_matrices=False)
print ("U:",U)
#U: [[-0.9486833 -0.31622777]
# [-0.31622777 0.9486833 ]]
print ("Sigma:",Sigma)
#Sigma: [ 18.97366596 9.48683298]
print ("V",V)
#V [[-0.33333333 -0.66666667 -0.66666667]
# [ 0.66666667 0.33333333 -0.66666667]]
# 結(jié)果包含等式中左右兩端的兩個正交矩陣U和V，以及中間的奇異值矩陣Sigma
# 使用diag函數(shù)生成完整的奇異值矩陣。將分解出的3個矩陣相乘
print (U * np.diag(Sigma) * V)
#[[ 4. 11. 14.]
# [ 8. 7. -2.]]
# 5. 廣義逆矩陣
# 使用numpy.linalg模塊中的pinv函數(shù)進(jìn)行求解,
# 注：inv函數(shù)只接受方陣作為輸入矩陣，而pinv函數(shù)則沒有這個限制
import numpy as np
# 創(chuàng)建一個矩陣
E = np.mat("4 11 14;8 7 -2")
# 使用pinv函數(shù)計算廣義逆矩陣
pseudoinv = np.linalg.pinv(E)
print (pseudoinv)
#[[-0.00555556 0.07222222]
# [ 0.02222222 0.04444444]
# [ 0.05555556 -0.05555556]]
# 將原矩陣和得到的廣義逆矩陣相乘
print (E * pseudoinv)
#[[ 1.00000000e+00 -5.55111512e-16]
# [ 0.00000000e+00 1.00000000e+00]]
# 6. 行列式
# numpy.linalg模塊中的det函數(shù)可以計算矩陣的行列式
import numpy as np
# 計算矩陣的行列式
F = np.mat("3 4;5 6")
# 使用det函數(shù)計算行列式
print (np.linalg.det(F))
# -2.0
學(xué)完這些之后，再用其中的numpy.linalg.solve()函數(shù)對（H，g）線性方程組進(jìn)行求解。
def _fit(self, X, t, max_iter=100): #輸入樣本 ， 0,1標(biāo)簽 ，最大迭代步數(shù)
self._check_binary(t)
w = np.zeros(np.size(X, 1)) #初始化權(quán)重矩陣 X行
for _ in range(max_iter):
w_prev = np.copy(w) #保存原先的權(quán)重信息 用來更新權(quán)重
y = self._sigmoid(X @ w) #sigmoid 特征向量@權(quán)重矩陣 輸出y
grad = X.T @ (y - t) #一階導(dǎo)數(shù)
hessian = (X.T * y * (1 - y)) @ X #二階導(dǎo)數(shù) Hessian矩陣
try:
w -= np.linalg.solve(hessian, grad)
print(w)
except np.linalg.LinAlgError:
break
if np.allclose(w, w_prev): #收斂到一定的精度
break
self.w = w
# [-0.17924772 1.02982033 0.54459921]
# [-0.25994586 1.76892341 0.90294418]
# [-0.35180664 2.60346027 1.25122256]
# [-0.468509 3.54309929 1.60131553]
# [-0.58591528 4.43787542 1.93496706]
# [-0.65896159 4.97839095 2.14764763]
# [-0.67659725 5.10615457 2.20048333]
# [-0.67736191 5.11159274 2.20281247]
# [-0.67736325 5.11160214 2.20281657]
PS:更多示例
# 線性代數(shù)
# numpy.linalg模塊包含線性代數(shù)的函數(shù)。使用這個模塊，可以計算逆矩陣、求特征值、解線性方程組以及求解行列式等。
import numpy as np
# 1. 計算逆矩陣
# 創(chuàng)建矩陣
A = np.mat("0 1 2;1 0 3;4 -3 8")
print (A)
#[[ 0 1 2]
# [ 1 0 3]
# [ 4 -3 8]]
# 使用inv函數(shù)計算逆矩陣
inv = np.linalg.inv(A)
print (inv)
#[[-4.5 7. -1.5]
# [-2. 4. -1. ]
# [ 1.5 -2. 0.5]]
# 檢查原矩陣和求得的逆矩陣相乘的結(jié)果為單位矩陣
print (A * inv)
#[[ 1. 0. 0.]
# [ 0. 1. 0.]
# [ 0. 0. 1.]]
# 注：矩陣必須是方陣且可逆，否則會拋出LinAlgError異常。
# 2. 求解線性方程組
# numpy.linalg中的函數(shù)solve可以求解形如 Ax = b 的線性方程組，其中 A 為矩陣，b 為一維或二維的數(shù)組，x 是未知變量
import numpy as np
#創(chuàng)建矩陣和數(shù)組
B = np.mat("1 -2 1;0 2 -8;-4 5 9")
b = np.array([0,8,-9])
# 調(diào)用solve函數(shù)求解線性方程
x = np.linalg.solve(B,b)
print (x)
#[ 29. 16. 3.]
# 使用dot函數(shù)檢查求得的解是否正確
print (np.dot(B , x))
# [[ 0. 8. -9.]]
# 3. 特征值和特征向量
# 特征值（eigenvalue）即方程 Ax = ax 的根，是一個標(biāo)量。其中，A 是一個二維矩陣，x 是一個一維向量。特征向量（eigenvector）是關(guān)于特征值的向量
# numpy.linalg模塊中，eigvals函數(shù)可以計算矩陣的特征值，而eig函數(shù)可以返回一個包含特征值和對應(yīng)的特征向量的元組
import numpy as np
# 創(chuàng)建一個矩陣
C = np.mat("3 -2;1 0")
# 調(diào)用eigvals函數(shù)求解特征值
c0 = np.linalg.eigvals(C)
print (c0)
# [ 2. 1.]
# 使用eig函數(shù)求解特征值和特征向量 (該函數(shù)將返回一個元組，按列排放著特征值和對應(yīng)的特征向量，其中第一列為特征值，第二列為特征向量)
c1,c2 = np.linalg.eig(C)
print (c1)
# [ 2. 1.]
print (c2)
#[[ 0.89442719 0.70710678]
# [ 0.4472136 0.70710678]]
# 使用dot函數(shù)驗證求得的解是否正確
for i in range(len(c1)):
print ("left:",np.dot(C,c2[:,i]))
print ("right:",c1[i] * c2[:,i])
#left: [[ 1.78885438]
# [ 0.89442719]]
#right: [[ 1.78885438]
# [ 0.89442719]]
#left: [[ 0.70710678]
# [ 0.70710678]]
#right: [[ 0.70710678]
# [ 0.70710678]]
# 4.奇異值分解
# SVD（Singular Value Decomposition，奇異值分解）是一種因子分解運算，將一個矩陣分解為3個矩陣的乘積
# numpy.linalg模塊中的svd函數(shù)可以對矩陣進(jìn)行奇異值分解。該函數(shù)返回3個矩陣——U、Sigma和V，其中U和V是正交矩陣，Sigma包含輸入矩陣的奇異值。
import numpy as np
# 分解矩陣
D = np.mat("4 11 14;8 7 -2")
# 使用svd函數(shù)分解矩陣
U,Sigma,V = np.linalg.svd(D,full_matrices=False)
print ("U:",U)
#U: [[-0.9486833 -0.31622777]
# [-0.31622777 0.9486833 ]]
print ("Sigma:",Sigma)
#Sigma: [ 18.97366596 9.48683298]
print ("V",V)
#V [[-0.33333333 -0.66666667 -0.66666667]
# [ 0.66666667 0.33333333 -0.66666667]]
# 結(jié)果包含等式中左右兩端的兩個正交矩陣U和V，以及中間的奇異值矩陣Sigma
# 使用diag函數(shù)生成完整的奇異值矩陣。將分解出的3個矩陣相乘
print (U * np.diag(Sigma) * V)
#[[ 4. 11. 14.]
# [ 8. 7. -2.]]
# 5. 廣義逆矩陣
# 使用numpy.linalg模塊中的pinv函數(shù)進(jìn)行求解,
# 注：inv函數(shù)只接受方陣作為輸入矩陣，而pinv函數(shù)則沒有這個限制
import numpy as np
# 創(chuàng)建一個矩陣
E = np.mat("4 11 14;8 7 -2")
# 使用pinv函數(shù)計算廣義逆矩陣
pseudoinv = np.linalg.pinv(E)
print (pseudoinv)
#[[-0.00555556 0.07222222]
# [ 0.02222222 0.04444444]
# [ 0.05555556 -0.05555556]]
# 將原矩陣和得到的廣義逆矩陣相乘
print (E * pseudoinv)
#[[ 1.00000000e+00 -5.55111512e-16]
# [ 0.00000000e+00 1.00000000e+00]]
# 6. 行列式
# numpy.linalg模塊中的det函數(shù)可以計算矩陣的行列式
import numpy as np
# 計算矩陣的行列式
F = np.mat("3 4;5 6")
# 使用det函數(shù)計算行列式
print (np.linalg.det(F))
# -2.0
以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。
相關(guān)文章
本文主要介紹了opencv?傅里葉變換，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧<BR>2022-06-06
今天小編就為大家分享一篇python微元法計算函數(shù)曲線長度的方法，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2018-11-11
Python 元組拆包示例(Tuple Unpacking)
今天小編就為大家分享一篇Python 元組拆包實例（Tuple Unpacking)，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-12-12
這篇文章主要介紹了Python對List中的元素排序 ,需要的朋友可以參考下2018-04-04
這篇文章主要介紹了Python模塊化編程與裝飾器的相關(guān)資料，幫助大家更好的理解和使用python，感興趣的朋友可以了解下2021-01-01
__getitem__是Python雙下劃線包圍的special method之一,這里我們就來解析Python中的__getitem__專有方法的使用,需要的朋友可以參考下:2016-06-06
使用Python與騰訊云接口對接,實現(xiàn)短信驗證碼功能變得非常簡單,只需要幾行代碼就能夠輕松實現(xiàn)短信的發(fā)送,無須關(guān)心復(fù)雜的短信協(xié)議和底層實現(xiàn),讀者可以根據(jù)自己的實際需求,靈活使用騰訊云短信SDK提供的API來實現(xiàn)更豐富的短信功能2024-01-01
這篇文章主要介紹了django框架cookie和session用法,結(jié)合實例形式詳細(xì)分析了Django框架cookie和session的功能、原理、使用方法及相關(guān)操作注意事項,需要的朋友可以參考下2019-12-12
這篇文章主要介紹了淺談Selenium 控制瀏覽器的常用方法，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2020-12-12
這篇文章主要介紹了解決 jupyter notebook 回車換兩行問題，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2020-04-04