本文共 1902 字，大约阅读时间需要 6 分钟。

转载请标明出处：https://blog.csdn.net/zfhsfdhdfajhsr/article/details/109709889
作者：一穷二白到年薪百万

  前言
  最近在学习矩阵补全的方法主要是用来做药物重定位。入门矩阵补全方法后才发现这个坑有点大，需要太多的数学基础了。对于数学知识严重不足的我欲哭无泪，搞了两周之后对这个方法的现实意义跟数学背景有了一定的了解。在这里做个总结并用经典的SVT矩阵补全算法（《A singular value thresholding algorithm for matrix completion》）作为一个Demo（Python实现），解释一下矩阵补全的具体做法，感受一下矩阵补全到底是干啥的。
  低秩矩阵补全的现实意义
  这一部分内容参考我之前的博客
  
时间仓促没大块时间，码字先把代码贴出来，以后慢慢补解释。

""@Date   :2020/11/15 19:54@Source 《A singular value thresholding algorithm for MC&RW》"""import numpy as np#  creating datasvt_data = np.array([[0, 3, 0, 4],                    [3, 0, 4, 0],                    [0, 0, 2, 0],                    [5, 0, 3, 4],                    [0, 0, 4, 0],                    [0, 3, 3, 0]])#  changing data type into floatsvt_data = svt_data.astype(float)# print(svt_data)#  generating Omega :0 denotes None 1 denotes trueshape = svt_data.shapeOmega = np.zeros(shape)for i in range(0, shape[0]):    for j in range(0, shape[1]):        if svt_data[i, j] > 0:            Omega[i, j] = 1# print(Omega)def svt_solve(A, Omega, tau=None, delta=None, epslion=1e-2, max_iterations=1000):    #  矩阵初始化，生成一个和矩阵A形状一样的0矩阵    Y = np.zeros_like(A)    if not tau:        tau = 5 * np.sum(A.shape) / 2    if not delta:        #  确定步长初始值        delta = 1.2 * np.prod(A.shape) / np.sum(Omega)    for _ in range(max_iterations):        #  对矩阵Y进行奇异值分解        U, S, V = np.linalg.svd(Y, full_matrices=False)        #  soft-thresholding operator        print(type(S))        print(type(tau))        print(tau)        S = np.maximum(S - tau, 0)        #  singular value shrinkage        X = np.linalg.multi_dot([U, np.diag(S), V])        #  Y的迭代        Y += delta * Omega * (A-X)        #  误差计算        rel_recon_error = np.linalg.norm(Omega * (X-A)) / np.linalg.norm(Omega*A)        if rel_recon_error < epslion:            break    return Xresult = svt_data_hat = svt_solve(svt_data, Omega)print(result)