根据我是否使用矩阵的转置,我从 np.linalg.eigvals 得到了不同的答案。
复制:
mat = np.array([[ -7.00616288e-08, -2.79704289e-09 , 1.67598654e-10],
[ -3.23676574e+07, -1.58978291e+15, 0.00000000e+00],
[ 0.00000000e+00 , 1.80156232e-02 , -2.32851854e+07]])
print(np.linalg.eigvals(mat))
print(np.linalg.eigvals(mat.transpose()))
我得到:
[ -7.00616288e-08 -1.58978291e+15 -2.32851854e+07]
[ -1.58978291e+15 2.50000000e-01 -2.32851854e+07]
请注意,这些值是不同的。由于矩阵的特征值及其转置相同,我认为这些问题是由于溢出造成的。是否有一些我应该限制的最大值,以确保它始终一致?
请您参考如下方法:
不是因为溢出。溢出很容易检测到,并且会生成警告。问题是 double 的限制:当相加和相减大小非常不同的数字时,可能会丢失有效数字。例如,(1e20 + 1) - 1e20 == 0。
具有 2 个负特征值的第二个结果是不正确的,因为您的矩阵的行列式显然是负的:主对角线项的乘积的大小为 1e15,并且在很大程度上支配行列式中的所有其他项。所以行列式的符号就是这个乘积的符号,它是负的。
问题是 mat.T 在第一列中有所有小条目,比其他列中的条目小得多。在寻找枢轴时,算法可能会扫描该列并确定在那里找到的内容。这不一定是 .eigvals 的工作方式,但原理相同——数值线性代数算法往往从左上角开始,因此最好避免那里有小条目。这是一种方法:
mat1 = np.roll(mat, 1, axis=[0, 1])
print(np.linalg.eigvals(mat1))
print(np.linalg.eigvals(mat1.T))
打印
[-7.00616288e-08 -2.32851854e+07 -1.58978291e+15]
[-2.32851854e+07 -1.58978291e+15 -7.00616288e-08]
这是一致的。滚动两个 轴意味着通过置换矩阵共轭mat,这不会改变特征值。滚动矩阵是
[[-2.32851854e+07 0.00000000e+00 1.80156232e-02]
[ 1.67598654e-10 -7.00616288e-08 -2.79704289e-09]
[ 0.00000000e+00 -3.23676574e+07 -1.58978291e+15]]
这给了 NumPy 一个很好的大数字作为开始。
理想情况下它会自己做类似的事情,但没有(实用的)算法适用于所有情况。
