机器学习数学基础之Python矩阵运算

1.在Jupyter中写下Python矩阵基本运算学习记录

1.1 python矩阵操作

1.1.1 首先打开jupyter，引入numpy

1.1.2 创建一个矩阵a并调用

a=np.mat([[1,2,3,],[4,5,6]])
a

1.1.3 使用 shape可以获得矩阵大小

1.1.4 使用下标读取矩阵中元素

1.1.5 进行行列转换

1.1.6 使用二维数组代替矩阵进行矩阵运算

1.1.7 矩阵加减法

1.1.8 加减失误案例

个人猜测没有添加arrary或者mat，导致程序认为只是一个正常的数组结合

1.1.9 成功案例

1.2 python矩阵乘法

1.2.1 使用二维数组创建两个矩阵A和B

A=np.mat([[1,2,3],[4,5,6]])
B=np.mat([[1,4],[2,5],[3,6]])

1.2.2 矩阵数乘，见识矩阵每一个元素乘以该数

1.2.3 dot函数

矩阵要求如下

• 设A为m×p的矩阵，B为p×n的矩阵，那么称m*n的矩阵C为矩阵A与B的乘积
• 只有在第一个矩阵的列数C和第二个矩阵的行数R相同时才有意义

dot函数用于矩阵乘法，对于二维数组，它计算的是矩阵乘积，对于一维数组，它计算的是内积。注意交换矩阵的前后位置会导致不同的结果

1.2.4 创建一个二维数组C

C=np.mat([[1,2],[1,3]])
C

1.2.5 验证矩阵乘法的结合性 (AB)C=A(BC)

np.dot(np.dot(A,B),C)
np.dot(A,np.dot(B,C))

合理

1.2.6 验证加法分配性 (A+B)C=AC+BC，C(A+B)=CA+CB

D=B-1
D
np.dot(A,B+D)
np.dot(A,B)+np.dot(A,D) #记得分步写

合理

1.2.7 数乘的结合性

主要对比以下三组代码的值

2*np.dot(A,B)
np.dot(A,2*B)
np.dot(2*A,B)

很合理

1.2.8 eye

np.eye(n)能够直接创建n阶单位矩阵

1.2.9 矩阵A乘以一个单位矩阵

np.dot(A,I)

很明显，仍然是本身

1.3 python矩阵转置

矩阵的转置很简单，就是将矩阵的行变为列，将列变为行.

1.3.1 (A’)’=A

顺便验证了一下A的转置的转置为本身