Python pyspark IndexedRowMatrix.computeSVD用法及代碼示例

計算 IndexedRowMatrix 的奇異值分解。

給定的維數 (m X n) 的行矩陣 A 被分解為 U * s * V'T 其中

• U：(m X k)(左奇異向量)是IndexedRowMatrix

  其列是 (A X A') 的特征向量

• s: DenseVector 由特征值的平方根組成

  (奇異值)按降序排列。

• v: (n X k)(右奇異向量)是一個矩陣，其列

  是 (A’ X A) 的特征向量

有關實現的更多具體細節，請參閱 scala 文檔。

參數：

k：int

要保留的前導奇異值的數量(0 < k <= n)。如果在達到最大 Arnoldi 更新迭代次數之前存在數字零奇異值或沒有足夠的 Ritz 值收斂(如果矩陣 A 為 ill-conditioned)，則它可能返回小於 k。

computeU：布爾型，可選

是否計算 U。如果設置為 True，則 U 由 A * V * s^-1 計算

rCond：浮點數，可選

倒數條件數。所有小於 rCond * s[0] 的奇異值都被視為零，其中 s[0] 是最大的奇異值。

返回：

SingularValueDecomposition

例子：

>>> rows = [(0, (3, 1, 1)), (1, (-1, 3, 1))]
>>> irm = IndexedRowMatrix(sc.parallelize(rows))
>>> svd_model = irm.computeSVD(2, True)
>>> svd_model.U.rows.collect() 
[IndexedRow(0, [-0.707106781187,0.707106781187]),        IndexedRow(1, [-0.707106781187,-0.707106781187])]
>>> svd_model.s
DenseVector([3.4641, 3.1623])
>>> svd_model.V
DenseMatrix(3, 2, [-0.4082, -0.8165, -0.4082, 0.8944, -0.4472, 0.0], 0)