Python实现两种稀疏矩阵的最小二乘法

目录

最小二乘法

scipy.sparse.linalg实现了两种稀疏矩阵最小二乘法lsqr和lsmr，前者是经典算法，后者来自斯坦福优化实验室，据称可以比lsqr更快收敛。

这两个函数可以求解Ax=b，或arg minx ∥Ax−b∥2，或arg minx ∥Ax−b∥2 +d2∥x−x0∥2，其中A必须是方阵或三角阵，可以有任意秩。

通过设置容忍度at>

如果两个容忍度都是10−6 ，最终的∥r∥将有6位精度。

lsmr的参数如下

lsmr(A, b, damp=0.0, atol=1e-06, btol=1e-06, conlim=100000000.0, maxiter=None, show=False, x0=None)

参数解释：

A 可谓稀疏矩阵、数组以及线性算子b 为数组damp 阻尼系数，默认为0atol, btol 截止容忍度，是lsqr迭代的停止条件，即at ,bt 。conlim 另一个截止条件，对于最小二乘问题，conlim应该小于108，如果Ax=b是相容的，则conlim最大可以设到1012iter_limint 迭代次数show 如果为True，则打印运算过程calc_var 是否估计(A.T@A + damp**2*I)^{-1}的对角线x0 阻尼系数相关

lsqr和lsmr相比，没有maxiter参数，但多了iter_lim, calc_va参数。

上述参数中，damp为阻尼系数，当其不为0时，记作δ，待解决的最小二乘问题变为



返回值

lsmr的返回值依次为：

x>istop 程序结束运行的原因itn 迭代次数normr ∥b−Ax∥normar ∥AT (b−Ax)∥norma ∥A∥conda A的条件数normx ∥x∥

lsqr的返回值为

x 即Ax=b中的xistop 程序结束运行的原因itn 迭代次数r1norm anorm 估计的Frobenius范数Aˉacond Aˉ的条件数arnorm ∥ATr−δ2(x−x0)∥xnorm ∥x∥var (ATA)−1

二者的返回值较多，而且除了前四个之外，剩下的意义不同，调用时且须注意。

测试

下面对这两种算法进行验证，第一步就得先有一个稀疏矩阵

import numpy as np
from scipy.sparse import csr_array

np.random.seed(42)  # 设置随机数状态
mat = np.random.rand(500,500)
mat[mat<0.9] = 0
csr = csr_array(mat)

然后用这个稀疏矩阵乘以一个x，得到b

xs = np.arange(500)
b = mat @ xs

接下来对这两个最小二乘函数进行测试

from scipy.sparse.linalg import lsmr, lsqr
import matplotlib.pyplot as plt
mx = lsmr(csr, b)[0]
qx = lsqr(csr, b)[0]
plt.plot(xs, lw=0.5)
plt.plot(mx, lw=0, marker='*', label="lsmr")
plt.plot(qx, lw=0, marker='.', label="lsqr")
plt.legend()
plt.show()

为了对比清晰，对图像进行放大，可以说二者不分胜负



接下来比较二者的效率，500 × 500 500\times500500×500这个尺寸显然已经不合适了，用2000×2000

from timeit import timeit

np.random.seed(42)  # 设置随机数状态
mat = np.random.rand(500,500)
mat[mat<0.9] = 0
csr = csr_array(mat)
timeit(lambda : lsmr(csr, b), number=10)
timeit(lambda : lsqr(csr, b), number=10)

测试结果如下

>>> timeit(lambda : lsqr(csr, b), number=10)
0.5240591000001587
>>> timeit(lambda : lsmr(csr, b), number=10)
0.6156221000019286

看来lsmr并没有更快，看来斯坦福也不靠谱(滑稽)。

以上就是Python实现两种稀疏矩阵的最小二乘法的详细内容，更多关于Python稀疏矩阵最小二乘法的资料请关注易采站长站其它相关文章！