集成学习-高等线性代数-基于python(DataWhale第二期)

线性代数

【转载自B站：萌弟AI数学基础基于Python】

第一章：向量空间

举例：正如我们所生活的三维空间，它就是一个向量空间。

定义：令F是一个数域，对于一个集合V，对于任意的a,b∈F，α,β,γ∈V，我们称V为一个向量空间，则它必须满足以下条件：

（1）α+β=β+α；

（2）(α+β)+γ=α+(β+γ)；

（3）∃0∈V，它具有以下性质：∀α∈V，都有0+α=α；

（4）对于V中的每一个向量α，在V中存在一个向量α′，使得α+α′=0。这样的α′叫做α的负向量；

（5）a(α+β)=aα+aβ：

（6）(a+b)α=aα+bβ；

（7）(ab)α=a(bα)；

（8）1α=α。

第二章：向量及其内积

import numpy as np
a = np.array([1,0,0,0])
b = np.array([1,1,0,0])
np.dot(a,b)

output : 1

什么是向量？

我们称向量空间中的元素为为向量,向量空间中的向量满足向量的加法及数量乘法，向量的加法满足平行四边形法则；而向量的内积则是指在向量空间中所定义的一种运算，内积也称为点积，其结果是一个实数。对于向量空间中的两个向量a,b，它们的内积为：

                       a⋅b=|a|⋅|b|cosθ

x1(2,3) x2(1,2) 的内积为(12) + (32) = 8（实数R 8）
其中θ是a,b的夹角。

向量内积满足：

⟨α,β⟩=⟨β,α⟩

k⟨α,β⟩=⟨kα,β⟩=⟨α,kβ⟩

⟨α+β,γ⟩=⟨α,β⟩+⟨β,γ⟩

⟨α,α⟩⩾0，等号成立当且仅当α=0

用numpy写一个向量a⃗ =(a1,a2,…,an)，代码为：
import numpy
a=array([a1,a2,⋯,an])
用代码表示两向量a⃗ ,b⃗ 的内积：
c=dot(numpy.transpose(a),b)
或
c=dot(a.T,b)

from sympy.matrices import Matrix,GramSchmidt
# Schmidt 正交化：由一个线性无关向量组来构造一个正交向量组
l = [Matrix([1,2,-1]),Matrix([-1,3,1]),Matrix([4,1,0])]
o = GramSchmidt(l,True) # 正交化
o

[Matrix([
 [ sqrt(6)/6],
 [ sqrt(6)/3],
 [-sqrt(6)/6]]), Matrix([
 [-sqrt(3)/3],
 [ sqrt(3)/3],
 [ sqrt(3)/3]]), Matrix([
 [sqrt(2)/2],
 [        0],
 [sqrt(2)/2]])]

第三章：范数

第四章：矩阵及矩阵的秩

什么是矩阵？

矩阵是一个由m行n列数字构成的一个数表，我们一般会在矩阵的外面加上一个圆括号或中括号，表示这是一个整体，并用大写字母A表示，

# 矩阵的乘法
A = np.array([[2,1,4],
             [1,-1,3]])
B = np.array([[1,3,1],
             [0,-1,2],
             [1,-3,1]])
np.matmul(A,B)

array([[ 6, -7,  8],
       [ 4, -5,  2]])

第五章：矩阵范数

第六章：矩阵的秩 齐次线性方程组及其解空间

# 矩阵的秩
# 一个矩阵中不等于零的子式的最大阶数
x = np.array([[2,0,1],
             [1,-4,-1],
             [-1,8,3]])
np.linalg.matrix_rank(x)

3

x = np.array([[2,0,1],
             [0,1,0],
             [0,0,0]])
np.linalg.matrix_rank(x)

2

x = np.array([[2,0,1],
             [0,0,0],
             [0,0,0]])
np.linalg.matrix_rank(x)

1

x = np.array([[0,0,0],
             [0,0,0],
             [0,0,0]])
np.linalg.matrix_rank(x)

0

import numpy
A=numpy.mat(’a11 ⋯ a1n;⋯;am1 ⋯ amn’)
b=zeors(1,n)
x=numpy.linalg.solve(A,b)
print(x)

第七章：特征值与特征向量及矩阵的迹

import numpy as np
A=np.mat(’a11 ⋯ a1n;⋯;an1 ⋯ ann’)
np.linalg.eig(A)

# 特征值和特征向量
# 特征值：某个向量的变化大小叫特征值
# 特征向量：某个向量依然保持这个方向
x = np.array([[-1,1,0],
             [-4,3,0],
             [1,0,2]])
np.linalg.eig(x)

(array([2., 1., 1.]), array([[ 0.        ,  0.40824829,  0.40824829],
        [ 0.        ,  0.81649658,  0.81649658],
        [ 1.        , -0.40824829, -0.40824829]]))

# 矩阵的迹
# 一个矩阵变化的速率
x = np.array([[-1,1,0],
             [-4,3,0],
             [1,0,2]])
np.trace(x)

4

import numpy as np
trA = 0 A = array([(a11,⋯,a1n),⋯,(an1,⋯,ann)])
for i in range(0,n):
trA = A[i,1] + trA
print(trA)