本文介绍了Python中的线性代数概念，包括点乘、叉乘和奇异值分解(SVD)。重点讨论了SVD在三维点拟合和平面图像处理中的应用，探讨了如何选择特征数量以及不同数量特征的效果，并提供了Python实现和可视化建议。
点乘
就是常见的向量相乘，如果是点的坐标的话，结果就是一个标量，是一个值，用模和夹角的计算公式：
v ⋅ w = ( x 1 , x 2 ) ⋅ ( y 1 , y 2 ) = ∣ ∣ v ∣ ∣ ⋅ ∣ ∣ w ∣ ∣ c o s α v \cdot w = (x_1,x_2) \cdot (y_1,y_2) = ||v|| \cdot ||w|| cos \alpha v⋅w=(x1,x2)⋅(y1,y2)=∣∣v∣∣⋅∣∣w∣∣cosα
叉乘
叉乘的结果是向量, 模的值是：
∣ ∣ u ∣ ∣ = ∣ ∣ v × w ∣ ∣ = ∣ ∣ v ∣ ∣ ∣ ∣ w ∣ ∣ s i n α ||u|| = ||v \times w|| = ||v|| ||w|| sin \alpha ∣∣u∣∣=∣∣v×w∣∣=∣∣v∣∣∣∣w∣∣sinα
方向是：
垂直于 w , v w,v w,v平面的直线，也就是平面的法线！垂直的线之间的点乘的值为0(毕竟 c o s 90 cos90 cos90° = 0 =0 =0
最低0.47元/天 解锁文章
扫一扫
3335
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
