矩阵运算_矩阵的协方差矩阵/两个矩阵的协方差矩阵

这篇具有很好参考价值的文章主要介绍了矩阵运算_矩阵的协方差矩阵/两个矩阵的协方差矩阵_求解详细步骤示例。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

1. 协方差矩阵定义

在统计学中，方差是用来度量单个随机变量的离散程度，而协方差则一般用来刻画两个随机变量的相似程度。

参考：带你了解什么是Covariance Matrix协方差矩阵 - 知乎

2. 协方差矩阵计算过程

将输入数据A进行中心化处理得到A'。即通过减去每个维度的平均值来实现中心化。
- 注意：平均值的计算有两种方式，按行计算（如numpy）和按列计算（如matlab），两者结果是不一样的，但原理是一样的，本文采用按行计算平均值为例。
- 按列计算均值（每一行是一个observation（样本），那么每一列就是一个随机变量（特征））的一个实例：协方差矩阵计算方法_如何算瞬时协方差矩阵-CSDN博客
对于按行计算方式：协方差矩阵等于去中心化后的数据A'乘以A'的转置矩阵, 然后除以（列数-1）。如果输入数据的维度为（N，M），则该乘积的形状为（N，M）和（M，N），得到一个形状为（N，N）的矩阵。即对于NxM的矩阵A, 去中心化后的矩阵为A', 则协方差等于：

3. 示例

一个矩阵A的协方差矩阵计算

设2x4的矩阵A为：

按行计算均值，意味着每一列是一个observation（样本），那么每一行就是一个随机变量（特征），举例如对于随机变量X,Y, 有四组采样结果(1,2), (2,3), (4,2), (1,5), 写成矩阵相乘的形式为：

则均值向量为

去中心化后的矩阵A'为：

则协方差矩阵cov(A)为：

所以,

代码numpy验算

import numpy as np

A = np.array([[1, 2, 4, 1], [2, 3, 2, 5]])
print("======= cov(A) =======")
print(np.cov(A))

mean_A = np.mean(A,axis=1,keepdims=True)
print("======= mean_A =======")
print(mean_A)

A1 = A - mean_A
print("======= A - mean_A =======")
print(A1)

covA =np.matmul(A1, A1.T)/(A1.shape[1]-1)
print("======= covA =======")
print(covA)

输出结果：

求两个矩阵的协方差矩阵时要取转置吗,数学,矩阵,人工智能,算法

两个矩阵A、B的协方差矩阵计算

设矩阵A (维度NxM), B (维度NxM)，去中心化后的矩阵为A', B', 则两个矩阵的协方差矩阵cov(A,B)为：

设A,B （维度为2x4）值分别为：

则按行求平均值, 得平均值向量为, , 去中心化后，得到：

，

则其协方差矩阵 cov(A,B)（维度为4x4）为

性质：

代码numpy验算


A = np.array([[1, 2, 4, 1], [2, 3, 2, 5]])
B = np.array([[5, 3, 4, 4], [2, 2, 8, 8]])

B1 = B - np.mean(B,axis=1,keepdims=True)
A1 = A - np.mean(A,axis=1,keepdims=True)

C11 = np.cov(A)
C22 = np.cov(B)
C12 = np.matmul(A1, B1.T)/(B1.shape[1]-1)
C21 = np.matmul(B1, A1.T)/(A1.shape[1]-1)

C = np.vstack((np.hstack((C11,C12)),np.hstack((C21,C22))))

print("======= np.cov(A,B) =======")
print(np.cov(A,B))

print("======= C =======")
print(C)

结果：

求两个矩阵的协方差矩阵时要取转置吗,数学,矩阵,人工智能,算法