我有以下矩阵 sigma 和 sigmad:
西格玛:
1.9958 0.7250
0.7250 1.3167
西格玛德:
4.8889 1.1944
1.1944 4.2361
如果我尝试在 python 中解决广义特征值问题,我会得到:
d,V = sc.linalg.eig(matrix(sigmad),matrix(sigma))
V:
-1 -0.5614
-0.4352 1
如果我尝试解决 g. e.我得到的 matlab 问题:
[V,d]=eig(sigmad,sigma)
V:
-0.5897 -0.5278
-0.2564 0.9400
但 d 确实重合。
最佳答案
特征向量的任何(非零)标量倍数也将是特征向量;只有方向是有意义的,而不是整体正常化。不同的例程使用不同的约定——通常您会看到幅度设置为 1,或者最大值设置为 1 或 -1——并且一些例程出于性能原因甚至不在意保持内部一致。您的两个不同结果是彼此的倍数:
In [227]: sc = array([[-1., -0.5614], [-0.4352, 1. ]])
In [228]: ml = array([[-.5897, -0.5278], [-0.2564, 0.94]])
In [229]: sc/ml
Out[229]:
array([[ 1.69577751, 1.06366048],
[ 1.69734789, 1.06382979]])
所以它们实际上是相同的特征向量。将矩阵视为改变向量的运算符:特征向量是指向该方向的向量不会被矩阵扭曲的特殊方向,特征值是衡量矩阵扩展或收缩向量的因素。
关于python - Matlab VS Python - eig(A,B) VS sc.linalg.eig(A,B),我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/11691981/