Go Gonum mat 怎样用奇异值分解估计矩阵秩

用 Go Gonum mat 估计矩阵秩，最直接的做法是先调用 SVD.Factorize，再调用 Rank(rcond)。这里的秩不是“数值上完全不为零的奇异值个数”，而是统计大于 rcond × 最大奇异值 的奇异值数量。这样可以把浮点计算中的近零噪声排除掉。

官方文档：https://pkg.go.dev/gonum.org/v1/gonum/mat

先把“矩阵秩”换成可计算的判定

对一个 m×n 矩阵做奇异值分解，可以写成 A = UΣVᵀ。Σ 对角线上的奇异值会按降序排列。理想的精确矩阵中，非零奇异值数量就是秩；但在 float64 计算里，理论上的零经常会变成很小的正数，因此 Gonum 用相对阈值来判断它是否“足够大”。

svd.Rank(rcond) 会把每个奇异值与最大奇异值缩放后的阈值比较。比如最大奇异值是 10，rcond=1e-12，那么大于 1e-11 的奇异值才会计入秩。这个规则适合估计有效秩，但它不是对噪声完全不敏感的数学魔法。

用 Factorize 和 Values 读取奇异值

下面构造一个第三列等于前两列线性组合的矩阵。它的理论秩不超过 2，但浮点运算后的第三个奇异值可能只是接近零，所以示例把分解成功检查放在最前面：

package main

import (
    "fmt"
    "log"

    "gonum.org/v1/gonum/mat"
)

func main() {
    // 第三列由前两列组合得到，用来观察近似秩。
    a := mat.NewDense(3, 3, []float64{
        1, 0, 1,
        0, 1, 1,
        2, 3, 5,
    })

    var svd mat.SVD
    // 只要奇异值和秩，保留完整 U/V 并不是必须的。
    if ok := svd.Factorize(a, mat.SVDNone); !ok {
        log.Fatal("矩阵 SVD 分解失败")
    }

    // Rank 使用相对阈值；Values(nil) 返回降序奇异值。
    const rcond = 1e-12
    values := svd.Values(nil)
    fmt.Printf("singular values = %.6g\\n", values)
    fmt.Printf("estimated rank = %d\\n", svd.Rank(rcond))
}

Values(nil) 会分配并返回长度为 min(m,n) 的切片；如果复用切片，长度必须准确，否则会触发切片长度错误。需要 U 或 V 时，分解类型要改为包含相应奇异向量的 SVDKind，不能先用 SVDNone 再补取向量。

rcond 不是越小越好

rcond 太小，会把数值噪声也计入秩；太大，则可能把业务上仍有意义的弱方向过滤掉。建议先查看 Values(nil) 的数量级，再结合输入数据的测量误差、归一化方式和下游算法容忍度决定阈值。

如果矩阵条件数很大，弱奇异值对输入扰动会更敏感。此时可以同时记录 svd.Cond()，把“秩估计”与“问题是否病态”分开看：前者回答保留多少个方向，后者提示这些方向是否稳定。

估计秩后再决定是否求解

如果下一步是最小二乘，可以把估计出的秩传给 SolveTo，但分解时必须计算所需的 U 和 V。因此不要为了节省空间盲目使用 SVDNone。同时，rank 应满足不超过 min(m,n)，并且要在输入数据尺度稳定的前提下解释。

上线前可以按这份清单复查：一是确认 Factorize 成功；二是打印或记录奇异值数量级；三是说明 rcond 来源；四是检查矩阵是否做过缩放；五是如果参与求解，确认分解类型包含所需奇异向量。这样得到的是可解释的有效秩，而不是一个脱离数据尺度的固定数字。

相关问题

Gonum 的 Rank 会返回精确数学秩吗？

不会。它根据奇异值和相对阈值给出数值意义上的有效秩，阈值需要结合数据尺度解释。

可以直接把 rcond 写成 0 吗？

可以表示只排除严格为零以下的情况，但通常会把浮点残差算进秩，除非你明确接受这种口径。

只读取奇异值一定要保留 U 和 V 吗？

不需要。只做秩估计时可选择不保留奇异向量；后续要调用求解或提取向量时，再按 API 要求选择分解类型。