使用numpy.cov生成协方差矩阵计算D维正态分布PDF时出现负行列式报错
报错的直接触发逻辑
代码抛出ValueError: math domain error是必然结果:Python标准库math模块的sqrt函数根本不支持对负实数开平方。你已经排查出协方差矩阵行列式为负,意味着执行到a = 1.0 / math.sqrt(np.linalg.det(sigma))这行时,传入math.sqrt的参数是负数,直接触发了函数的域错误校验。
负行列式的核心成因
从统计定义讲,协方差矩阵天生是半正定对称矩阵,行列式值必然非负。你用numpy.cov算出负行列式,本质是实际计算过程没满足协方差矩阵的生成前提,常见的踩坑场景就三个:
- 样本数比特征维度数还少。比如要算10维特征的协方差,结果只拿3个样本点做统计,这时候得到的协方差矩阵本来就是秩亏的,浮点计算的舍入误差会把本该为0的特征值算成极其微小的负值,所有特征值乘起来得到的行列式,自然有概率跑出负数值。
- 特征之间存在严格线性共线关系。比如两个特征的取值完全成正比,这时候协方差矩阵的秩本来就比维度数小,受浮点精度限制,本该为0的特征值会被算成负的极小值,最后行列式就成了负数——一般这种情况的负行列式都很小,量级通常在1e-15,和正常正定矩阵的行列式大小差好几个数量级。
- 调用
np.cov时参数配置错误。np.cov默认开了rowvar=True,也就是默认输入矩阵的每一行是一个特征,每一列是一个样本。如果你传的样本矩阵是常规的“每行一个样本、每列一个特征”的布局,没手动加rowvar=False参数,就会把样本数当成特征维度来算,最后出来的矩阵根本不是你想要的协方差矩阵,出负行列式是迟早的事。
对应的排查和修复手段
- 先核对
np.cov的调用参数,确认输入数据的布局和rowvar参数匹配,从根源上避免算错协方差矩阵结构。 - 如果是秩亏导致的微小负行列式,可以在计算前给协方差矩阵加个极小的对角正则项:
sigma += 1e-6 * np.eye(sigma.shape[0]),抵消浮点误差带来的微小负特征值,保证矩阵是正定的,能正常算行列式和逆矩阵。 - 如果样本数远少于特征数,别硬拿原始样本估协方差,先做特征降维砍维度,再重新计算协方差。
别图省事把
math.sqrt换成np.sqrt来规避报错——虽然numpy的sqrt对负数会返回复数值,但正态分布PDF的计算本来就要求协方差矩阵是正定的,带复数值的行列式根本没有实际统计意义。
内容的提问来源于stack exchange,提问作者Dino Zhang
相关产品推荐
相关产品推荐

