机器学习基础——矩阵
来源:互联网 发布:编程技术 编辑:程序博客网 时间:2024/05/16 15:45
标量、向量、矩阵和张量
标量:一个单独的数
向量:一列数/一个坐标
矩阵:一个二维数组
张量:坐标超过二维的数组
转置:矩阵以对角线为轴的镜像
矩阵和向量相乘
矩阵乘积:C=AB,其中,A: m * n; B: n * p; C: m * p
点积:
矩阵乘积性质:
A(B + C) = AB + AC
A(BC) = (AB)C
(AB)
单位矩阵和逆矩阵
单位矩阵:任意向量和单位矩阵相乘,都不会改变,记为 I
所有沿主对角线的元素都是1,其它元素都是0
矩阵逆:满足 A
线性相关和生成子空间
如果逆矩阵A
范数
范数:衡量向量的大小
范数是满足下列性质的任意函数:
1、
2、
3、
当
当
简化表示为
最大范数:
Frobenius范数:衡量矩阵的大小:
其类似于向量的
两个向量的点积可以用范数为表示:
特殊类型的矩阵和向量
对角矩阵:只在主对角线上含有非零元素,其他位置都是零
对称矩阵:转置和自己相等的矩阵,即:
单位向量:具在单位范数的向量,即:
向量正交:如果
正交矩阵:行向量和列向量是分别标准正交的方阵,即:
这意味着:
特征分解
矩阵分解:将矩阵拆解为数个矩阵的乘积
特征分解:使用最广的矩阵分解之一,将矩阵分解成一组特征向量和特征值
特征向量:方阵
(特征向量被施以线性变换
性质:如果
特征分解:将矩阵分解成特征值和特征向量
奇异值分解(SVD)
奇异值分解:将矩阵分解成奇异值和奇异向量(跟特征分解比较)
伪逆
伪逆计算:
当矩阵
当矩阵
迹运算
迹运算返回的是矩阵对角元素的和:
矩阵Frobenius范数另一种表达方式:
行列式
行列式:记作
行列式等于矩阵特征值的乘积
如果矩阵行列式等于0,那么空间至少沿着某一维完全收缩了(降维了)
如果行列式等于1,那么这个转换保持空间体积不变
主成分分析
(没看)
- 机器学习基础——矩阵
- 机器学习算法基础--矩阵
- 机器学习基础-学习笔记 矩阵论
- 机器学习之数学基础——期望、方差、协方差、相关系数、矩、协方差矩阵
- 机器学习——矩阵知识复习
- 机器学习基础03-矩阵和线性代数
- 基础——机器学习
- 《机器学习技法》学习笔记15——矩阵分解
- 机器学习笔记(一)——机器学习基础
- 机器学习实战——第一章:机器学习基础
- 《机器学习实战》笔记一——机器学习基础
- 机器学习系列02——机器学习基础
- 机器学习实战——机器学习基础
- 【机器学习杂货铺】——矩阵分解(暂缺)
- 机器学习笔记_数学基础_5-矩阵理论
- 机器学习数学基础之矩阵理论(二)
- 基础—机器学习—softMax regression
- 机器学习——概率论基础
- 2017.11.6总结
- node获取访问的当前的完成的url
- Recall/Precision/FPPI评价方式详解
- SQL in与exists区别
- MFC基于select模型的套接字类之服务器(5)
- 机器学习基础——矩阵
- PHP延迟静态绑定
- 如何使用php向百度站长平台推送
- 大型网站技术架构-核心原理与案例分析之缓存01
- vim 编辑
- android日志打印
- U
- 程序
- R—self同类分步