Python SciPy interpolative.svd用法及代码示例

本文简要介绍 python 语言中 scipy.linalg.interpolative.svd 的用法。

用法:

scipy.linalg.interpolative.svd(A, eps_or_k, rand=True)#

通过 ID 计算矩阵的 SVD。

矩阵 A 的 SVD 是一个因式分解：

A = numpy.dot(U, numpy.dot(numpy.diag(S), V.conj().T))

其中 U 和 V 具有正交列，并且 S 是非负数。

SVD 可以计算为任何相对精度或等级(取决于eps_or_k 的值)。

另请参见 interp_decomp 和 id_to_svd 。

参数 ：：

A： numpy.ndarray 或 scipy.sparse.linalg.LinearOperator

要因式分解的矩阵，给出为numpy.ndarray或一个scipy.sparse.linalg.LinearOperator与马特韦克和rmatvec方法(应用矩阵及其伴随矩阵)。

eps_or_k： 浮点数或int

近似的相对误差(如果eps_or_k < 1)或等级(如果eps_or_k >= 1)。

rand： 布尔型，可选

是否使用随机抽样如果A是类型numpy.ndarray(如果出现以下情况，则始终使用随机算法A是类型scipy.sparse.linalg.LinearOperator)。

返回 ：：

U： numpy.ndarray

左奇异向量。

S： numpy.ndarray

奇异值。

V： numpy.ndarray

右奇异向量。