伴随矩阵和逆矩阵

矩阵(线性回归中的应用)

我们在多元线性回归中使用了加减乘除之外的几个定义

上篇，请点手撕多元线性回归

• 零矩阵(null matrix)
• 行列式(determinant)
• 伴随矩阵(conjugate)
• 逆(inverse)

零矩阵(null matrix)

所有元素皆为0的矩阵

我们改造一下之前的类，除了用数组初始化之外，还可以用m和n(行和列)初始化

class Matrix {
   
  constructor(m, n) {
   
    if (Array.isArray(m)) {
    // 非数字用作数组
      this._arr = m;  
    } else {
   
      if (m >= 1 && n >= 1) {
    // 数字的话必须行列大于等于1
        this._arr = new Array(m).fill(0).map(() => new Array(n).fill(0));
      } else {
   
        throw(new Error('m & n must le 1'));
      }
    }
  }
}

实际操作一下，创造一个3行2列的零矩阵

// node --experimental-modules mat-advance.mjs
import Matrix from './matrix.mjs';
console.log('零矩阵', new Matrix(3, 2));

看结果

零矩阵 Matrix {
  _arr: [
    [ 0, 0 ],
    [ 0, 0 ],
    [ 0, 0 ]
  ]
}

行列式(determinant)

在 n 维欧几里得空间中，行列式描述的是一个线性变换对“体积”所造成的影响

行列式计算必须是方阵，也就是m等于n的矩阵

表达式

D = |A| = detA = det(a_ij)

$D=\left|\begin{array}{c}A\end{array}\right|=\left|\begin{array}{cccc}{a}_{11}& a_{12}& \cdots & a_{1n}\\ a_{21}& a_{22}& \cdots & a_{2n}\\ ⋮& ⋮& \ddots & ⋮\\ a_{n1}& a_{n2}& \cdots & a_{nn}\end{array}\right|=\sum (-1{)}^k{a}_{1k_1}{a}_{2k_2}\cdots a_{n{k}_n}$

示例

$\left|\begin{array}{cc}1& 2\\ 3& 4\end{array}\right|=1\times 4-2\times 3=4-6=-2$

$|$