@(Machine Learning)[线性代数]
1.行列式
- 1×1 方阵的行列式为该元素本身。
A=(a11)|A|=a11- 2×2 方阵,其行列式用主对角线元素乘积减去次对角线元素的乘积。
A=(a11a21a12a22)
|A|=a11a22−a12a21- 3×3 阶方阵
A=⎛⎝⎜a11a21a31a12a22a32a13a23a33⎞⎠⎟
三阶矩阵发现 a12 的对角线少一部分(也就是 a23 的右下部分缺失)。一种方法是copy三个完全一样的矩阵做补充。
行列式计算方法是一样的:
|A|=a11a22a33+a12a23a31+a13a21a32−a11a23a32−a12a21a33−a13a22a31
另一种方式就是利用代数余子式来计算
- 在一个 n 阶行列式
A 中,把 (i,j) 元素 aij 所在的第 i 行和第j 列划去后,留下的 n−1 阶方阵的行列式叫做元素 aij 的余子式,记作 Mij 。- 代数余子式: Aij=(−1)i+jMij
注意:代数余子式是个数值!
下图方框里计算的值便是 a11 a12 的代数余子式 M11 , M12
n阶的行列式等于它的任意一行(或列)的各元素与其对应的代数余子式乘积之和。
- 对于任意一列
∀≤j≤n,|A|=∑i=1naij(−1)i+jMij- 对于任意一行
∀≤i≤n,|A|=∑j=1naij(−1)i+jMij- 所以上面三阶方阵的行列式A就是: |A|=a11(a22a33−a23a32)+a12(a21a33−a23a31)+a13(a21a32−a23a31)
2.伴随矩阵
对于 n×n 方阵的任意元素a_{ij}都有各自的代数余子式 Aij=(−1)i+jMij ,构造 n×n 的方阵 A∗ :
A=⎛⎝⎜⎜⎜A11A12...A1nA21A22...A2n............An1An2...Ann⎞⎠⎟⎟⎟
- A∗ 称为 A 的伴随矩阵
- 注意:
A12 的位置和前面的是相反的, Aij 位于 A∗ 的第 j 行第i 列
3.方阵的逆 A⋅A∗=|A|⋅I
由前面的结论
∀≤i≤n,|A|=∑