矩阵论学习笔记2

理解六：分块矩阵的初等变换

实际计算中，二阶分块矩阵的初等变换是用得最多的，它是二阶矩阵初等变换的直接推广。我们定义如下：

这很有用，我们将会在机器学习中的最小二乘法中看到。这实际是降阶公式。这是如何想到的呢？这是凑巧的吗？实际上，如果我们要想降阶的话，很自然的想到，|A|=|K|.|A|,其中，｜K｜=1，A，K为二阶矩阵，更特殊的，我们希望，K=｜1，0；x，1｜（记成这样），A=｜a,b;c,d｜于是，|KA|=｜a,b;x.a+c,x.b+d｜,令x.a+c=0,解得，x=-c.a(-1),代入可得上式。

对于分块矩阵，我们同样有：

理解七：线性空间

一数域F（通常指实数域或复数域）上的线性空间V，是指一非空集合V，它的元称为向量，并且在V上定义向量的加法以及数乘二种运算，这些运算应满足下面的条件。

1 向量加法

2 向量数乘

理解八：线性子空间

在子空间的表示方法中，我们一般用向量来表示，但可能是一组，也可能是多组。但不会多于向量的维数。注意我们所说的子空间是线性子空间的简称。我们会用固定的数来表示这些空间。但注意这是“参数”。这是向量。这是基。不要为“常数怎么也是一个点，怎么是空间”这样可笑的想法使自己糊涂了。

怎么判断是不是子空间呢？

1 和：各个向量组叠加之后，去掉相关部分的

2 直和：两个子空间之间的向量互不相关

理解九：正确理解向量，维数，基

我常常把向量的长度视为维数，这是错误的。为什么会有这样的误解呢？因为我们常常碰到“满的”。例如，我们会碰到：2＊x1+3＊x2，此时，［2，3］T.［x1，x2］，我们就毫不犹豫地认为，两个变量哦，这是二维。实际上，如果还隐藏着一个x3没有提及怎么办？我没有必要一定给你写上［2，3，0］T［x1，x2，x3］.正确理解应该是，将向量视为一种“基”，一种“坐标轴”。而线性无关的组数才是维数。注意到，如果要线性表示的话，一组向量只能表示点，两组向量可以表示线，三组表示面。不是说一组向量是一维吗，一维不是表示线吗？这不矛盾，前一种说法是，线性表示。