如何将容差范围内的近零浮点数置为0.0以修正矩阵正定性问题

核心问题解答：可以对极小负元素强制置0 #

你遇到的是浮点计算中的常见误差问题，具体操作方式如下：

• 先根据你的计算精度选择合理的截断阈值：如果使用双精度浮点数（大多数编程语言的默认浮点类型），阈值可以设置在1e-12 ~ 1e-8区间，只要略大于你观察到的极小负元素的绝对值即可
• 逐元素判断截断：对所有满足x < 0 且 |x| < 阈值的元素，直接赋值为0.0。以Python的Numpy库为例，代码可写为：

  import numpy as np
  threshold = 1e-8
  mat[(mat < 0) & (np.abs(mat) < threshold)] = 0.0
  

注意：直接置0不一定能完全解决正定性问题 #

正定矩阵的核心判定条件是所有特征值为正，和单个元素的符号没有直接关系：即使你把所有负元素都置0，也有可能因为计算误差存在负的极小特征值，仍然会导致Cholesky分解失败。这种时候更推荐你用以下两种更稳妥的方案：

• 方案1：对角线加微小正偏移（Jitter项）
  这是工程和科研领域最常用的处理方式，实现简单、对原矩阵的影响可以忽略。只需要给矩阵的所有对角线元素加上1e-8 ~ 1e-6的正值，相当于给所有特征值叠加了一个正偏移，只要偏移量大于负特征值的绝对值，就能保证矩阵严格正定。Numpy示例代码：

  jitter = 1e-8
  mat = mat + np.eye(mat.shape[0]) * jitter
  

• 方案2：特征值调整后重构矩阵
  如果对矩阵精度要求更高，可以先对矩阵做特征分解，把所有小于阈值的负特征值统一置为阈值，再用调整后的特征值和特征向量重构矩阵，得到的矩阵和原矩阵偏差最小且严格正定。

浮点计算相关常识补充 #

• 双精度浮点数的有效位数约为15~17位十进制，多次矩阵运算（乘法、求逆、分解等）后必然会累积舍入误差，理论上为0的量计算后得到极小的正负值属于正常现象，不是计算错误
• Cholesky分解对矩阵正定性的要求极其严格，只要存在哪怕绝对值极小的负特征值都会分解失败，绝大多数场景下加Jitter项就可以完全解决问题，不需要做复杂的调整

内容的提问来源于stack exchange，提问作者user4945884