需求管理创新含金量：Codes五步法模型与落地实践
2026/10/14 22:12:15
1. 前言
1.2.13 计算矩阵的条件数
条件数（Condition Number）是矩阵分析中一个非常基础且重要的概念，它衡量的是矩阵对数值误差的敏感程度，直接关系到线性方程组求解、矩阵求逆、回归分析等计算的稳定性与可靠性。
一、什么是矩阵条件数
在数据分析中，我们经常需要求解线性方程组：
Ax=b Ax = bAx=b
其中AAA是系数矩阵，bbb是观测数据，xxx是待求的未知量。然而，现实中的数据往往带有测量误差或舍入误差。如果矩阵AAA对误差非常敏感，那么bbb的微小扰动就可能导致解xxx出现巨大偏差，这样的计算结果是不可信的。
用自己的话讲：
在解线性方程的时候，不是所有输入差不多，输出就差不多，有的矩阵很“稳”，输入稍微改一点，结果变化很小；.有的矩阵很“娇气”，输入只改了一丁点儿，结果直接大变样。所以条件数，就是用来衡量这个矩阵到底稳不稳的指标。
矩阵条件数的定义：矩阵A的条件数等于A的范数与其逆矩阵的范数的乘积cond(A)=∥A∥⋅∥A−1∥\mathrm{cond}(A) = \|A\| \cdot \|A^{-1}\|cond(A)=∥A∥⋅∥A−1∥
二、书中代码展示
LA.cond(a, p) | 范数类型 | 简要说明 |
|---|---|---|
LA.cond(a) | 2-范数（默认） | cond2(A)=σmaxσmin\mathrm{cond}_2(A)=\dfrac{\sigma_\mathrm{max}}{\sigma_\mathrm{min}}cond2(A)=σminσmax，最大奇异值/最小奇异值 |
LA.cond(a, 1) | 1-范数 | 列和诱导范数，最大绝对列和 × 逆矩阵最大绝对列和 |
LA.cond(a, np.inf) | ∞\infty∞-范数 | 无穷范数，最大绝对行和 × 逆矩阵最大绝对行和 |
LA.cond(a, 'fro') | Frobenius范数 | 弗罗贝尼乌斯范数，不属于诱导范数，不满足奇异值之比公式 |
LA.cond(a, -2) | 最小奇异值模式 | 用于验证：∥A∥−2\Vert A\Vert_{-2}∥A∥−2就是最小奇异值 |
三、在数据分析中的现实意义
为什么做数据分析、线性回归，我们要关心条件数？
做回归分析的时候，如果选的变量关联性太强，比如同时放了月收入和年收入，矩阵就会变得很“娇气”，条件数变大。哪怕原始数据只有一点点录入误差，或是抽样时换了几个人，最后算出来的结论都可能大变样，甚至本来是正相关，跑出来变成负相关。所以我们算条件数，就是提前排雷，检查模型稳不稳定，避免拿到不靠谱的分析结果。
小结
条件数，通俗理解就是误差放大倍数；
条件数小 = 稳（良态），输入轻微变化，结果变化很小；
条件数大 = 娇气（病态），一点点误差，结果就跑偏；
条件数无穷大 = 奇异矩阵，没有唯一解；
在回归分析里，条件数可以用来检测多重共线性，判断模型稳不稳定。