Я пытаюсь найти обратную эту ковариационную матрицу 9x9, чтобы использовать ее с расстояние Махаланобиса. Однако результат, который я получаю от обратная матрица — это матрица, полная 1.02939420e+16
. Я пытался выяснить, почему, учитывая, что Вольфрам даст мне правильный ответ, и, похоже, это как-то связано с номером условия матрицы, который в данном случае равен 3.98290435292e+16
.
Хотя я хотел бы понять математику, стоящую за этим, в данный момент мне действительно нужно просто решение этой проблемы, чтобы я мог продолжить реализацию. Есть ли способ найти обратную такую матрицу? Или как-то можно найти обратную ковариационную матрицу непосредственно из данных?
Изменить: данные матрицы (аналогично ссылке pastebin)
[[ 0.46811097 0.15024959 0.01806486 -0.03029948 -0.12472314 -0.11952018 -0.14738093 -0.14655549 -0.06794621]
[ 0.15024959 0.19338707 0.09046136 0.01293189 -0.05290348 -0.07200769 -0.09317139 -0.10125269 -0.12769464]
[ 0.01806486 0.09046136 0.12575072 0.06507481 -0.00951239 -0.02944675 -0.05349869 -0.07496244 -0.13193147]
[-0.03029948 0.01293189 0.06507481 0.12214787 0.04527352 -0.01478612 -0.02879678 -0.06006481 -0.1114809 ]
[-0.12472314 -0.05290348 -0.00951239 0.04527352 0.164018 0.05474073 -0.01028871 -0.02695087 -0.03965366]
[-0.11952018 -0.07200769 -0.02944675 -0.01478612 0.05474073 0.13397166 0.06839442 0.00403321 -0.02537928]
[-0.14738093 -0.09317139 -0.05349869 -0.02879678 -0.01028871 0.06839442 0.14424203 0.0906558 0.02984426]
[-0.14655549 -0.10125269 -0.07496244 -0.06006481 -0.02695087 0.00403321 0.0906558 0.17054466 0.14455264]
[-0.06794621 -0.12769464 -0.13193147 -0.1114809 -0.03965366 -0.02537928 0.02984426 0.14455264 0.32968928]]