我需要找出矩阵是否是正定的。我的矩阵是 numpy 矩阵。我期待在 numpy 库中找到任何相关的方法,但没有成功。我很感激任何帮助。
9 回答
您还可以检查矩阵的所有特征值是否为正,如果是,则矩阵是正定的:
import numpy as np
def is_pos_def(x):
return np.all(np.linalg.eigvals(x) > 0)
您可以尝试计算 Cholesky 分解 ( numpy.linalg.cholesky
)。LinAlgError
如果矩阵不是正定的,这将提高。
上面的所有答案似乎都有一点混乱(至少关于这个问题)。
对于实矩阵,np.linalg.cholesky 中的正特征值和正前导项的检验仅适用于矩阵对称的情况。因此,首先需要测试矩阵是否对称,然后应用其中一种方法(正特征值或 Cholesky 分解)。
例如:
import numpy as np
#A nonsymmetric matrix
A = np.array([[9,7],[6,14]])
#check that all eigenvalues are positive:
np.all(np.linalg.eigvals(A) > 0)
#take a 'Cholesky' decomposition:
chol_A = np.linalg.cholesky(A)
矩阵 A 不是对称的,但特征值是正的,Numpy 返回一个错误的 Cholesky 分解。您可以检查:
chol_A.dot(chol_A.T)
与 A 不同。
您还可以检查上述所有 python 函数是否对“正定性”测试为阳性。如果您尝试使用 Cholesky 分解来计算逆,这可能是一个严重的问题,因为:
>np.linalg.inv(A)
array([[ 0.16666667, -0.08333333],
[-0.07142857, 0.10714286]])
>np.linalg.inv(chol_A.T).dot(np.linalg.inv(chol_A))
array([[ 0.15555556, -0.06666667],
[-0.06666667, 0.1 ]])
是不同的。
总之,我建议在上述任何函数中添加一行以检查矩阵是否对称,例如:
def is_pos_def(A):
if np.array_equal(A, A.T):
try:
np.linalg.cholesky(A)
return True
except np.linalg.LinAlgError:
return False
else:
return False
您可能希望将上述函数中的 np.array_equal(A, AT) 替换为 np.allclose(A, AT) 以避免由于浮点错误导致的差异。
用一些现成的代码来说明@NPE 的答案:
import numpy as np
def is_pd(K):
try:
np.linalg.cholesky(K)
return 1
except np.linalg.linalg.LinAlgError as err:
if 'Matrix is not positive definite' in err.message:
return 0
else:
raise
我不知道为什么 NPE 的解决方案被低估了。这是最好的方法。我在Wkipedia上发现复杂度是立方的。
此外,据说它在数值上比 Lu 分解更稳定。并且 Lu 分解比寻找所有特征值的方法更稳定。
而且,这是一个非常优雅的解决方案,因为这是事实:
矩阵具有 Cholesky 分解当且仅当它是对称正的。
那么为什么不使用数学呢?也许有些人害怕引发异常,但这也是事实,使用异常进行编程非常有用。
如果您特别想要对称(厄米特,如果复杂)正半定矩阵,则可以使用以下方法。如果您不关心对称性(厄米特,如果复杂),请删除检查它的“if”状态。如果您想要正定而不是正半定而不是删除正则化行(并将传递给 'np.lingalg.cholesky()' 的值从 'regularized_X' 更改为 'X')。下面
import numpy as np
def is_hermitian_positive_semidefinite(X):
if X.shape[0] != X.shape[1]: # must be a square matrix
return False
if not np.all( X - X.H == 0 ): # must be a symmetric or hermitian matrix
return False
try: # Cholesky decomposition fails for matrices that are NOT positive definite.
# But since the matrix may be positive SEMI-definite due to rank deficiency
# we must regularize.
regularized_X = X + np.eye(X.shape[0]) * 1e-14
np.linalg.cholesky(regularized_X)
except np.linalg.LinAlgError:
return False
return True
对于实矩阵 $A$,我们有 $x^TAx=\frac{1}{2}(x^T(A+A^T)x)$,$A+A^T$ 是对称实矩阵. 所以 $A$ 是正定的,如果 $A+A^T$ 是正定的,如果 $A+A^T$ 的所有特征值都是正的。
import numpy as np
def is_pos_def(A):
M = np.matrix(A)
return np.all(np.linalg.eigvals(M+M.transpose()) > 0)
对于非对称矩阵,您可以使用 Principal Minor Test :
def isPD(Y):
row = X.shape [0]
i = 0
j = 0
for i in range(row+1) :
Step = Y[:i,:j]
j+=1
i+=1
det = np.linalg.det(Step)
if det > 0 :
continue
else :
return ("Not Positive Definite, Test Principal minor failed")
return ("Positive Definite")
正定
numpy.linalg.cholesky(x) # just handle the error LinAlgError
正半定
np.all(np.linalg.eigvals(x) >= 0)
np.all(np.linalg.eigvals(x) > 0)
注意:如果你的矩阵是PSD
即使你看到的>
,大多数情况也会给你>=
,我几天前就遇到了这个问题。我认为这应该与舍入误差有关,因为我们的特征值非常小,甚至 Cholesky 分解也可能会产生错误。
笔记
为了测试,您可能需要创建一些正半定矩阵和一些正定矩阵:
n_size=4
a = np.random.rand(n_size)
A_PSD = np.outer(a,a) # the outer product of any vector generates a PSD matrix
A_PD = A_PSD+np.identity(n_size) # little trick I found for PS matrix