np.linalg: решение систем, обратная матрица, разложения

~14 минут · 7 примеров · 3 вопроса

Урок — обзор практической линейной алгебры в NumPy: как решать системы, обращать матрицы и применять разложения, понимая, зачем они нужны.

np.linalg — подмодуль NumPy с операциями линейной алгебры (решение систем, обратная матрица, определитель, собственные значения, разложения), реализованными через быстрые библиотеки LAPACK.

Решение систем линейных уравнений: solve

Классическая задача: найти x в системе A·x = b, где A — матрица коэффициентов, b — вектор правых частей. Наивный путь — вычислить обратную матрицу и умножить: x = A⁻¹·b. Но это и медленнее, и менее точно. Правильный инструмент — np.linalg.solve(A, b), который решает систему напрямую (через разложение), не вычисляя обратную матрицу.

import numpy as np
# 2x + y = 5
#  x + 3y = 10
A = np.array([[2.0, 1.0],
              [1.0, 3.0]])
b = np.array([5.0, 10.0])

x = np.linalg.solve(A, b)
print(x)                    # [x, y]
print(np.allclose(A @ x, b))  # проверка: подставили обратно

Вывод

[1. 3.]
True

Решение x=1, y=3 подтверждается обратной подстановкой. Запомните правило: почти никогда не нужно явно обращать матрицу для решения системы — используйте solve.

Линейная алгебра — почему это сердце ML

Стоит объяснить, почему линейной алгебре уделяется столько внимания именно в курсе по NumPy. Дело в том, что подавляющее большинство методов анализа данных и машинного обучения формулируются на её языке. Линейная регрессия — это решение системы (или метод наименьших квадратов) для нахождения коэффициентов. Метод главных компонент (PCA) — это SVD или собственное разложение ковариационной матрицы. Рекомендательные системы раскладывают матрицу «пользователи × товары». Нейросети — это каскады матричных умножений с нелинейностями между ними. Даже простое сглаживание, фильтрация сигналов, решение дифференциальных уравнений сводятся к матричным операциям. Поэтому, освоив np.linalg, вы получаете не узкий набор математических функций, а фундаментальный инструментарий, на котором стоит вся прикладная численная математика. И поскольку NumPy реализует эти операции через оптимизированные библиотеки, вы получаете производительность мирового уровня «бесплатно» — нужно лишь правильно сформулировать задачу. Именно эта связка «выразительный высокоуровневый интерфейс + быстрые библиотеки внизу» делает NumPy фундаментом научного Python.

Обратная матрица и определитель: inv, det

np.linalg.inv(A) даёт обратную матрицу (такую, что A·A⁻¹ = E), а np.linalg.det(A) — определитель. Определитель полезен как индикатор: если он близок к нулю, матрица вырождена (необратима), и система либо не имеет решения, либо имеет их бесконечно много. Попытка обратить такую матрицу даёт ошибку или огромные неустойчивые числа.

import numpy as np
A = np.array([[2.0, 1.0],
              [1.0, 3.0]])

print(np.linalg.det(A))      # определитель: 2*3 - 1*1 = 5
inv = np.linalg.inv(A)
print(inv)
print(np.allclose(A @ inv, np.eye(2)))  # A·A⁻¹ = E

Вывод

5.000000000000001
[[ 0.6 -0.2]
 [-0.2  0.4]]
True

Определитель 2×2 считается элементарно — это видно на чистом Python (для интуиции):

def det2(m):
    return m[0][0] * m[1][1] - m[0][1] * m[1][0]

A = [[2, 1], [1, 3]]
print("det =", det2(A))
print("Вырождена?" , abs(det2(A)) < 1e-12)
Ожидаемый вывод
det = 5
Вырождена? False

Что значит «обусловленность» и почему она важна

Определитель говорит, обратима ли матрица в принципе, но на практике важнее более тонкое понятие — обусловленность. Матрица может быть формально обратима (определитель не равен нулю), но «почти вырождена»: её определитель крошечный, и обращение усиливает любые погрешности входных данных в огромное число раз. Решение системы с плохо обусловленной матрицей численно неустойчиво — крошечная ошибка в правой части даёт огромную ошибку в ответе. Это коварно, потому что код не падает, а молча возвращает неправильный результат. Признак проблемы — очень большие или очень маленькие числа в обратной матрице, странно большие сингулярные числа, определитель, близкий к машинному нулю. Когда вы решаете системы или обращаете матрицы из реальных данных, полезно проверять обусловленность (через np.linalg.cond) и с осторожностью относиться к результатам, если она велика. Это объясняет, почему solve предпочтительнее inv: он не только быстрее, но и численно устойчивее, так как не вычисляет потенциально неустойчивую обратную матрицу явно.

Собственные значения и векторы: eig

Собственные значения и векторы — фундамент многих методов (PCA, анализ устойчивости, спектральные методы). Собственный вектор v матрицы A — это направление, которое матрица лишь масштабирует, не поворачивая: A·v = λ·v, где λ — собственное значение (коэффициент масштаба). np.linalg.eig возвращает массив собственных значений и матрицу собственных векторов (по столбцам).

import numpy as np
A = np.array([[2.0, 0.0],
              [0.0, 3.0]])

values, vectors = np.linalg.eig(A)
print("Собственные значения:", values)
print("Собственные векторы (по столбцам):")
print(vectors)

Вывод

Собственные значения: [2. 3.]
Собственные векторы (по столбцам):
[[1. 0.]
 [0. 1.]]

Для диагональной матрицы собственные значения — это сами диагональные элементы, а собственные векторы — оси координат. В общем случае они нетривиальны и раскрывают «внутреннюю геометрию» преобразования.

Сингулярное разложение: svd

SVD (singular value decomposition) — пожалуй, самое полезное разложение в анализе данных. Любую матрицу A можно представить как A = U·Σ·Vᵀ, где Σ — диагональ из неотрицательных сингулярных чисел, упорядоченных по убыванию. SVD лежит в основе понижения размерности (PCA), сжатия, рекомендательных систем, вычисления псевдообратной матрицы. np.linalg.svd возвращает три части разложения.

import numpy as np
A = np.array([[3.0, 0.0],
              [0.0, 2.0],
              [0.0, 0.0]])

U, S, Vt = np.linalg.svd(A)
print("Сингулярные числа:", S)   # по убыванию
print("U.shape:", U.shape, "Vt.shape:", Vt.shape)

Вывод

Сингулярные числа: [3. 2.]
U.shape: (3, 3) Vt.shape: (2, 2)

Сингулярные числа показывают «важность» каждого направления. Оставив только крупнейшие из них, можно приблизить матрицу меньшим объёмом данных — это и есть идея сжатия и PCA.

Геометрический смысл собственных значений и SVD

Чтобы линейная алгебра не воспринималась как набор магических функций, полезна геометрическая картина. Любую матрицу можно мыслить как преобразование пространства: она растягивает, сжимает, поворачивает и отражает векторы. Собственные векторы — это особые направления, которые преобразование не поворачивает, а только масштабирует, и собственное значение говорит, во сколько раз. SVD идёт дальше и раскладывает любое преобразование на три простых шага: поворот, масштабирование вдоль осей (на сингулярные числа) и ещё один поворот. Поэтому сингулярные числа показывают, насколько сильно преобразование «растягивает» пространство в каждом из главных направлений. Если одно из них близко к нулю, преобразование почти «схлопывает» соответствующее направление — это и есть геометрический смысл вырожденности. А в анализе данных крупнейшие сингулярные числа указывают направления наибольшей изменчивости данных, что и лежит в основе метода главных компонент (PCA): отбросив мелкие сингулярные числа, мы сохраняем главную структуру данных, теряя лишь «шум». Эта геометрическая интуиция делает абстрактные разложения осязаемыми.

Нормы: norm

np.linalg.norm вычисляет «длину» вектора или «величину» матрицы. Для вектора по умолчанию это евклидова норма (корень из суммы квадратов) — геометрическая длина. Нормы повсюду: измерение расстояний, регуляризация, нормировка векторов в единичную длину.

import numpy as np
v = np.array([3.0, 4.0])

print(np.linalg.norm(v))        # 5.0 — евклидова длина (теорема Пифагора)
print(np.linalg.norm(v, 1))     # 7.0 — сумма модулей (L1)
print(v / np.linalg.norm(v))    # нормировка в единичную длину

Вывод

5.0
7.0
[0.6 0.8]

Евклидова норма [3, 4] равна 5 — это гипотенуза прямоугольного треугольника. Проверим формулу на чистом Python:

import math

def euclid_norm(v):
    return math.sqrt(sum(x * x for x in v))

print(euclid_norm([3, 4]))      # sqrt(9 + 16) = sqrt(25)
print(euclid_norm([1, 2, 2]))   # sqrt(1 + 4 + 4) = 3
Ожидаемый вывод
5.0
3.0

Когда применять какое разложение

Линейная алгебра богата на инструменты, и новичку трудно понять, что когда брать. Дадим ориентир по задачам. Нужно решить систему уравнений (найти неизвестные по уравнениям) — solve. Нужно понять, обратима ли матрица или насколько она «хороша» — det, matrix_rank, cond. Нужно найти главные направления и понизить размерность данных — svd (основа PCA). Нужно проанализировать устойчивость системы, найти резонансы, диагонализовать преобразование — eig. Нужно измерить длину или расстояние — norm. Нужно решить переопределённую систему методом наименьших квадратов (больше уравнений, чем неизвестных, как в линейной регрессии) — lstsq. Эта карта «задача → инструмент» важнее, чем заучивание сигнатур: понимая, какой вопрос вы задаёте данным, вы быстро находите нужную функцию. А детали вызова всегда можно посмотреть в документации. Линейная алгебра — это язык, на котором формулируются регрессия, понижение размерности, рекомендательные системы и многое в машинном обучении, поэтому понимание «что зачем» окупается во всей дальнейшей работе с данными.

Сводка np.linalg

ФункцияНазначение
solve(A, b)решить систему A·x = b (предпочтительно)
inv(A)обратная матрица
det(A)определитель (индикатор вырожденности)
eig(A)собственные значения и векторы
svd(A)сингулярное разложение
norm(x)норма (длина) вектора или матрицы
matrix_rank(A)ранг матрицы

Подводные камни

  • Решать систему через inv. inv(A) @ b медленнее и менее точно, чем solve(A, b).
  • Обращать вырожденную матрицу. Если det близок к нулю, inv даст мусор или ошибку. Проверяйте.
  • Точность float. Результаты содержат крошечные погрешности (например, det = 5.0000000000001). Сравнивайте через allclose.
  • Комплексные собственные значения. eig для некоторых матриц возвращает комплексные числа — это нормально, учитывайте dtype результата.

Лучшие практики

  • Для решения систем всегда используйте solve, а не явное обращение матрицы.
  • Проверяйте вырожденность через det или matrix_rank перед обращением.
  • Проверяйте корректность через обратную подстановку и np.allclose.
  • SVD — ваш универсальный инструмент для понижения размерности и устойчивых вычислений.

Главная мысль этого урока — не запомнить все функции, а понять, что NumPy даёт готовый, надёжный и быстрый инструментарий для всей классической линейной алгебры, опираясь на проверенные библиотеки LAPACK. Ваша роль — правильно сформулировать задачу (решить систему? разложить? измерить?) и выбрать соответствующую функцию, доверив численные тонкости и скорость библиотеке. Понимание геометрического смысла операций и численных подводных камней (обусловленность, точность float) превращает эти функции из «чёрных ящиков» в осмысленные инструменты.

Итог

  • solve решает системы напрямую — быстрее и точнее, чем через inv.
  • det сигнализирует о вырожденности; близкий к нулю определитель означает необратимость.
  • eig и svd раскрывают внутреннюю структуру матрицы; SVD — основа PCA и сжатия.
  • norm измеряет длину; евклидова норма — геометрическое расстояние.

Проверь себя

Три вопроса по уроку. Ответы никуда не идут — это для тебя.

1Почему для решения системы A·x = b предпочтительнее np.linalg.solve(A, b), а не inv(A) @ b?

2О чём сигнализирует определитель матрицы, близкий к нулю?

3Для чего на практике чаще всего применяют сингулярное разложение (SVD)?

Следующий урок
18 · Случайные числа: современный Generator вместо legacy Открыть урок 18
Урок 16: Умножение массивов: поэлементное против матричного