从机器学习中看矩阵理论和线性代数
2017-03-13 14:32
411 查看
什么是线性代数?
线性,其实就是一次,代数其实就是加减乘除,线性代数其实本质就是研究方程组的问题。
线性代数中的方程组都是一次方的。在学习中其实可以使用向量形式如(1,2)t*x1,+(2,3)t=(5,2)
这样表示,向量表示大家很熟悉,这其实就是(5,2)t是否可以由(1,2)和(2,3)进行线性表示,本来向量这样表示没有问题,但是当x比较多的时候,这就很麻烦了,表示就困难了,后来就出行了矩阵来表示,矩阵表示起来相对轻松起来,后来又衍生出了一大堆矩阵论。其实学的好多数学知识,都是围绕着方程和函数。向量和矩阵都只不过是个工具,要习惯用矩阵表示。
为什么矩阵会是行乘以列的形式?
刚刚前面提到向量表示线性方程组有点麻烦,所以用矩阵来表示,后来也就规定了矩阵是行乘以列的形式,就是这样AX=b,然后就可以去深入研究了,不要问问什么,人家就是这样规定了,要习惯这种表达方式。其实从点击的角度也可以这样看(1,2,3)*(x1,x2,x3)=b1(b1是b的第一行)其他行等等。用矩阵表示,其他不变,就是将x1,x2,x3,以列向量的写法来表示就行了。这就是AX=b
学习方程组可以从两个方面着手去学习
方程组研究,从行的角度看就是直线问题,直线和平面问题,超平面ax=b(x>3)就是超平面。
从列的角度看,就是线性相关问题。有一个解,多解,无穷解。
线性无关和线性相关
通俗的理解就是一个向量可以用其他向量的矢量和表示出来,就是线性相关,另外线性无关就是怎么也不能表示出来。
基和子空间,零空间,列空间,行空间,左列空间
假设3个向量他们线性无关,通过这三个向量就可以构成一个三维空间,如果三个向量线性先关,其中只有两个向量线性无关,那么就会成为一个平面,但是他们都是构成了原来三个向量可以组成三维空间的子空间,不关你是平面还是三维空间都是三维空间的子空间,则他们的三个向量的线性无关的两个构成了基,基就是构成什么的基本条件东西等等之类的。是谁的子空间,就看x值的个数
零空间比较特殊,就是AX=0的解,然后线性无关形成的一个空间。注意这个不适用于AX=b
行空间,和列空间差不多,以行为单位看起线性组合,左零空间: ATy=0(T是转置)的解得集合组成的空间(不相关的解构成了一组基)。
线性,其实就是一次,代数其实就是加减乘除,线性代数其实本质就是研究方程组的问题。
线性代数中的方程组都是一次方的。在学习中其实可以使用向量形式如(1,2)t*x1,+(2,3)t=(5,2)
这样表示,向量表示大家很熟悉,这其实就是(5,2)t是否可以由(1,2)和(2,3)进行线性表示,本来向量这样表示没有问题,但是当x比较多的时候,这就很麻烦了,表示就困难了,后来就出行了矩阵来表示,矩阵表示起来相对轻松起来,后来又衍生出了一大堆矩阵论。其实学的好多数学知识,都是围绕着方程和函数。向量和矩阵都只不过是个工具,要习惯用矩阵表示。
为什么矩阵会是行乘以列的形式?
刚刚前面提到向量表示线性方程组有点麻烦,所以用矩阵来表示,后来也就规定了矩阵是行乘以列的形式,就是这样AX=b,然后就可以去深入研究了,不要问问什么,人家就是这样规定了,要习惯这种表达方式。其实从点击的角度也可以这样看(1,2,3)*(x1,x2,x3)=b1(b1是b的第一行)其他行等等。用矩阵表示,其他不变,就是将x1,x2,x3,以列向量的写法来表示就行了。这就是AX=b
学习方程组可以从两个方面着手去学习
方程组研究,从行的角度看就是直线问题,直线和平面问题,超平面ax=b(x>3)就是超平面。
从列的角度看,就是线性相关问题。有一个解,多解,无穷解。
线性无关和线性相关
通俗的理解就是一个向量可以用其他向量的矢量和表示出来,就是线性相关,另外线性无关就是怎么也不能表示出来。
基和子空间,零空间,列空间,行空间,左列空间
假设3个向量他们线性无关,通过这三个向量就可以构成一个三维空间,如果三个向量线性先关,其中只有两个向量线性无关,那么就会成为一个平面,但是他们都是构成了原来三个向量可以组成三维空间的子空间,不关你是平面还是三维空间都是三维空间的子空间,则他们的三个向量的线性无关的两个构成了基,基就是构成什么的基本条件东西等等之类的。是谁的子空间,就看x值的个数
零空间比较特殊,就是AX=0的解,然后线性无关形成的一个空间。注意这个不适用于AX=b
行空间,和列空间差不多,以行为单位看起线性组合,左零空间: ATy=0(T是转置)的解得集合组成的空间(不相关的解构成了一组基)。
相关文章推荐
- 机器学习-->矩阵和线性代数
- Machine Learning1——机器学习关于数据分析和概率论和线性代数及矩阵的知识
- 深度学习/机器学习入门基础数学知识整理(一):线性代数基础,矩阵,范数等
- Andrew Ng 机器学习笔记 03 :线性代数之矩阵
- 线性代数复习分析(矩阵代数运算)
- 线性代数(矩阵乘法):NOI 2007 生成树计数
- 线性代数的本质与几何意义 03. 矩阵与线性变换 (3blue1brown 咪博士 图文注解版)
- 机器学习--线性代数基础
- MIT18.06线性代数课程笔记4a:矩阵的LU分解
- 线性代数 02.01 矩阵
- MIT18.06线性代数课程笔记19:矩阵行列式公式与代数余子式
- 线性代数复习之004矩阵的秩
- 4 向量与矩阵(线性代数复习)
- 线性代数复习分析(向量组与矩阵的秩)
- 线性代数3——矩阵乘法
- 线性代数--了解矩阵背后的故事(站在巨人的肩膀上你可以看的更远)
- 『科学计算_理论』线性代数几何原理剖析
- 线性代数(四) :矩阵乘法的性质与分块矩阵的运算
- 机器学习笔记_数学基础_4-线性代数
- 机器学习数学基础之矩阵理论(二)