机器学习之数学基础(二)~数组、向量、矩阵、向量空间、二维矩阵 |
您所在的位置:网站首页 › 矩阵向量空间的维数 › 机器学习之数学基础(二)~数组、向量、矩阵、向量空间、二维矩阵 |
1. 概述
在学习机器学习(machine learning)或模式识别(pattern recognition)过程中,我经常会困惑于向量、数组和矩阵这三种数据结构,而在学习张学工教授《模式识别》一书时,我又碰到了二维矩阵这个对我很模糊的概念,一生气就自己总结一个吧。 本文如有不足不对之处,欢迎指正。 2. 数组、向量、矩阵和向量空间 2.1 数组[转载自:https://blog.csdn.net/qq_41800366/article/details/86605575] 概念:所谓数组,是有序的元素序列。 这里的概念就没有涉及到空间了,我们通常称的n维数组,这里的维度指的不是空间的维度,而是数据所构成的维度; 下面进行举例说明, 一维数组 [1, 2, 3, 4] 这里的数据的维度就只有一维,也就是深度为1,怎么理解呢,比如你要取2,你要怎么做呢,只需要进入第一层,这时候你会找到1,2,3,4这四个元素,直接就能找到2这个元素。 二维数组 [[1, 2],[3, 4]] 这里的数据的维度就就有二维,也就是深度为2,怎么理解呢,比如你要取2,你要怎么做呢,首先你要进入进入第一层,这时候你找到的是[1, 2] 和 [3, 4],然后你还得继续往下找,再进入一层,你会找到 1,2,3,4这四个元素,然后找到2这个元素,也就是你进入了两层才找到元素,所以深度为2,维度为二维。 三维数组[[[1, 2], [3, 4]], [[5, 6], [7, 8]]] Note: 我个人认为数组最大的用处是在python等编程语言中实现向量、矩阵等数据结构! 这里的数据的维度就就有三维,也就是深度为3,怎么理解呢,比如你要取2,你要怎么做呢,首先你要进入进入第一层,这时候你找到的是[[1, 2], [3, 4]] 、 [[5, 6], [7, 8]] ,然后你还得继续往下找,再进入一层,你会找到 [1, 2]、[3, 4]、[5, 6]、 [7, 8] ,然后你还得继续往下找,再进入一层,1、2、3、4、5、6、7、8这8个元素,然后找到2这个元素,也就是你进入了三层才找到元素,所以深度为3,维度为三维。 2.2 n维向量概念:n个有次序的数, , ····,所组成的数组称为n维向量,这n个数称为该向量的n个分量,第i个数称为第i个分量。(同济大学线性代数第五版-4.1) n维向量可写成一行,也可写成一列,分别称为行向量和列向量,也就是行矩阵和列矩阵,并规定行向量和列向量都按矩阵的运算规则进行运算。 因此,n维列向量 与n维行向量 Note: 这个解释其实是说在线性代数中,向量和矩阵其实是一回事。不同的是矩阵论阶,向量论维。 在解析几何中,我们把“既有大小又有方向的量”叫做向量,并把可随意平行移动的有向线段作为向量的几何形象。 在引进坐标系以后,这种向量就有了坐标表示式— — 三个有次序的实数,也就是本书中的3维向量。因此,当 n ≤ 3 时,n维向量可以把有向线段作为几何形象,但当n>3 时,n 维向量就不再有这种几何形象,只是沿用一些几何术语罢了。 2.3 矩阵在同济大学线性代数第六版中,矩阵定义如下:由m×n 个数aij (i= 1,2,…,m;j= 1,2,…,n)排成的m 行n 列的数表 称为m 行n 列矩阵,简称m×n 矩。 矩阵的列向量组和行向量组都是只含有限个向量的向量组;反之,一个含有限个向量的向量组总可以构成一个矩阵。因此可知向量可以组成矩阵,矩阵是包含向量的。 2.4 向量空间 几何中,“空间”通常是作为点的集合,即构成“空间”的元素是点,这样的空间叫做点空间。 我们把3 维向量的全体所组成的集合叫做3 维向量空间。 在点空间取定坐标系以后,空间中的点P(x,y,z)与3 维向量 r =(x,y,z)T 之间有一一对应的关系。 类似的,n维向量的全体所组成的集合叫做n维向量空间。 Note: 这里n维向量空间的概念应该可以理解成n x n矩阵。 在同济大学线性代数第六版中,矩阵的列向量组和行向量组都是只含有限个向量的向量组;反之,一个含有限个向量的向量组总可以构成一个矩阵。例如,一个mxn矩阵的全体列向量是一个含n个m维列向量的向量组。 向量空间(同济大学线性代数第五版) 概念:设V为n维向量的集合,如何集合V非空,且集合V对于向量的加法及乘法两种运算封闭,那么就称集合V为向量空间。 封闭,是指在集合V中可以进行向量的加法及乘法两种运算。具体地说, 同济大学线代第五版结论:(1) 其次线性方程组的解集 S={x|Ax=0} 是一个向量空间(称为齐次线性方程组的解空间)。因此由齐次线性方程组的解的性质1.2,即知其解集S对向量的线性运算封闭。(2)非齐次线性方程组的解集 S={x|Ax=b}不是向量空间。 定义7(同济线代第五版) 设V为向量空间,如果r个向量,且满足 (1) 线性无关。 (2)V中任一向量都可由线性表示。 那么,向量组就称为向量空间V的一个基,r称为向量空间V的维数,并称V为r维向量空间。 若把向量空间V看作向量组,则由最大无关组的等价定义可知,V的基就是向量组的最大无关组,V的维数就是向量组的秩。 2.5 二维矩阵张学工教授《模式识别》p10 应用背景:"多数癌症并不是由单个基因的变化引起的,而是与多个基因有关系,人们希望借助基因芯片来揭示这些关系。" "这样,对于每个病人就获得了成千上万个基因表达特征,而对每个基因也获得了它们在每个病人细胞中的表达特征。把这组芯片的数据集合起来,就形成了一个二维矩阵,其中一维是基因,另一维是病例。" 解析:单个基因表达特征明显是一个二维向量,成千上万的二维向量近乎组成了二维向量空间,亦即一个二维矩阵。 所以,二维矩阵的维度类似于空间向量的维数,而不是一个包含两个元素的列矩阵。所以,我们通常会说矩阵的维度是指矩阵的行数。 如果本文由任何不足,欢迎各位大神提出来,我会尽快修正。 |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |