矩阵
线性代数式的用途:SVD分解
- 有一个m×n的实数矩阵
,我们想要把它分解成如下的形式
- 其中
和
均为单位正交阵,即有
和
,
称为左奇异矩阵,
称为右奇异矩阵
仅在主对角线上有值,我们称它为奇异值,其它元素均为0
- 通常奇异值由大到小排列
- 例子:
公式分解
由于是逐渐变小的,那么则前几项的作用力比较大,截取前k项可能就能表示出全部的特征。
k值越大、图片越清晰
从上面的图片的压缩结果中可以看出来,奇异值可以被看作成一个矩阵的代表值,或者说,奇异值能够代表这个矩阵的信息。当奇异值越大时,它代表的信息越多。因此,我们取前面若干个最大的奇异值,就可以基本上还原出数据本身。
注:奇异值分解在数据降维中有较多的应用,但对于图片的降维不是它最重要的作用。机器学习很大部分是在做特征清洗和特征选择,奇异值SVD算法也只是一种特征选择的手段,隐马尔科夫,随机森林,都可以做特征选择……
范德蒙行列式:
状态转移矩阵:
- 随机过程
- 用矩阵来表达随机过程,假设按照经济状况将人群分成上、中、下三个阶层,用1,2,3表示。假定当前处于某阶层只和上一代有关。即考察父代为第i阶层,则子代为第j阶层的概率为
- 写成转移矩阵为
子代
父代
- 第n+1代处于第j个阶层的概率为
因此,矩阵P即为概率转移矩阵,第i行元素表示:在上一个状态为i时的分布概率,每一行和为1。
选取不同的初值使用转移矩阵进行迭代
发现选取的两个不同初值最后都稳定在了[0.286,0.489,0.225],那么就引出了平稳分布
- 初始概率不同,但经过若干次迭代,
做种稳定收敛在某个分布上
- 从而,这是转移概率矩阵P的性质,而非初始分布的性质。实际上,上述矩阵P的n次幂,每行都是[0.286,0.489,0.225],n>20
- 如果一个非周期马尔科夫随机过程具有转移概率矩阵P,且它的任意两个状态都是连通的,则
存在,记做
若某概率分布说明
- 该多项分布
是状态转移矩阵P的平稳分布
- 该线性方程
的非负解为
,而
唯一,因此
是线性方程
的唯一非负解
- 该问题将在马尔科夫模型中继续讨论
矩阵和向量的乘法:
- 矩阵与向量乘法是一个向量空间向另一个向量空间的映射
为
- 矩阵与向量乘法也可以是向量空间内的线性变换
为
旋转
矩阵的乘法tips:
根据定义计算,需要m*n*s次乘法
- 若A、B都是n阶方阵,C的计算时间复杂度为
- 三个矩阵A、B、C的阶分别是
从而(AxB)xC和Ax(BxC)的乘法次数是
、
二者的乘法次数是不相等的
矩阵的秩与线性方程组的关系:
对于n元线性方程组Ax=b,
- 无解的充要条件是R(A)<R(A,b)
- 有唯一解的虫咬条件是R(A)=R(A,b)=n
- 有无限多解的充要条件是R(A)=R(A,B)<n
推论:
- Ax=0有非零解的充要条件是R(A)<n
- Ax=b有解的充要条件是R(A)=R(A,b)
向量组等价
- 向量b能由向量组A:a1,a2……am线性表示的充要条件是矩阵A=(a1,a2……am)的秩等于B=(b1,b2……bn)的秩
- 若有两个向量组A:a1,a2……am以及B:b1,b2……bn若B组向量都能由向量A线性表示,且A组向量都能由B组向量线性表示,则称两个向量组等价
- 向量组B:b1,b2……bn能由向量组A:a1,a2……am线性表示的充要条件是R(A) = R(A,B)
系数矩阵
向量组B:b1,b2……bn能由向量组A:a1,a2……am线性表示,即对每一个bj,存在不全为0的,使得
从而可以写出系数矩阵K
由此可知,若C=AxB,则矩阵C的列向量能由A的列向量线性表示,B即为系数矩阵
同理,若C=AxB,则矩阵C的列向量能由B的行向量线性表示,A即为系数矩阵
特征值
设n阶矩阵A=()的特征值是
(称为迹)
是方阵A的m个特征值,
是依次与之对应的特征向量,若
各不相等,则
线性无关
正交阵
若n阶矩阵A满足,称A为正交阵
充要条件:A的列(行)向量都是单位向量,且两两正交
正交变换:
当A为正交阵,x为向量,则Ax称作正交变换。注:正交变换不改变向量长度
A和B都是正交阵,那么AB也是正交阵
实对称阵
实对称阵的特征值是实数
实对称阵不同特征值对应的特征向量正交,证明如下图
设为n阶对称阵,则必有正交阵
使得
是以
的n个特征值为对角元的对角阵
- 该变换称为“合同变换”
和
互为合同矩阵
- 在谱聚类、PCA会涉及到
正定阵
对于n阶方阵,若对任意n阶向量x,
,则称A是正定阵
- 若条件变成
,则称A是半正定阵
- 若条件变成
,则称A是负定阵
- 若条件变成
,则称A是半负定阵
注:一定是半正定矩阵,在线性回归中将用到
判断条件:对称阵为正定阵、A的特征值都为正、A的顺序主子式大于0
数据白化
QR分解
对于mxn的列满秩矩阵A,必有
其中Q是正交阵,即,R为非奇异上三角矩阵,当要求R的对角元素为正时,该分解唯一
QR分解用于求解矩阵A的特征值、A的逆等问题
LFM
矩阵求导
向量对向量的求导
标量对向量的求导
标量对矩阵的求导