【机器学习｜数学基础】Mathematics for Machine Learning系列之线性代数（1）：二阶与三阶行列式、全排列及其逆序数

最新推荐文章于 2024-10-11 16:58:22 发布
最新推荐文章于 2024-10-11 16:58:22 发布
阅读量631 收藏 8
点赞数 7
文章标签： 机器学习 人工智能 线性代数
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/ri_yue_zou_yun/article/details/137888333
版权

2021-09-121,055阅读3分钟

专栏： 

机器学习

前言

Hello！小伙伴！

非常感谢您阅读海轰的文章，倘若文中有错误的地方，欢迎您指出～  

自我介绍 ଘ(੭ˊᵕˋ)੭

昵称：海轰

标签：程序猿｜C++选手｜学生

简介：因C语言结识编程，随后转入计算机专业，有幸拿过一些国奖、省奖...已保研。目前正在学习C++/Linux/Python

学习经验：扎实基础 + 多做笔记 + 多敲代码 + 多思考 + 学好英语！  

机器学习小白阶段

文章仅作为自己的学习笔记 用于知识体系建立以及复习

知其然 知其所以然！

二阶与三阶行列式

二阶行列式

记作

∣�11�12�21�22∣=�11∗�22−�12∗�21∣∣​a11​a21​​a12​a22​​∣∣​=a11​∗a22​−a12​∗a21​

定义

主对角线上的两元素之积减去副对角线上两元素之积所得的差，即：�11∗�22−�12∗�21a11​∗a22​−a12​∗a21​

注：行列式本质是一个数值，比如∣1234∣∣∣​13​24​∣∣​代表的就是数值(-2=1×4-2×3)

举例

∣3−221∣=？∣∣​32​−21​∣∣​=？

答：

∣3−221∣=3∗1−(−2)∗2=3−(−4)=7∣∣​32​−21​∣∣​=3∗1−(−2)∗2=3−(−4)=7

三阶行列式

记作

∣�11�12�13�21�22�23�31�32�33∣=�11∗�22∗�33+�12∗�23∗�31+�13∗�21∗�32−�11∗�23∗�32−�12∗�21∗�33−�13∗�22∗�31∣∣​a11​a21​a31​​a12​a22​a32​​a13​a23​a33​​∣∣​=a11​∗a22​∗a33​+a12​∗a23​∗a31​+a13​∗a21​∗a32​−a11​∗a23​∗a32​−a12​∗a21​∗a33​−a13​∗a22​∗a31​

举例

∣12−4−221−34−2∣=？∣∣​1−2−3​224​−41−2​∣∣​=？

答：

∣12−4−221−34−2∣=1∗2∗(−2)+2∗1∗(−3)+(−4)∗(−2)∗4−1∗1∗4−2∗(−2)∗(−2)−(−4)∗2∗(−3)=−14∣∣​1−2−3​224​−41−2​∣∣​=1∗2∗(−2)+2∗1∗(−3)+(−4)∗(−2)∗4−1∗1∗4−2∗(−2)∗(−2)−(−4)∗2∗(−3)=−14

全排列及其逆序数

全排列

定义

从n个不同元素中任取m（m≤n）个元素，按照一定的顺序排列起来，叫做从n个不同元素中取出m个元素的一个排列。

当m=n时所有的排列情况叫全排列。

公式

全排列数f(n)=n!(定义0!=1)

举例

用1、2、3三个数字，可以组成多少个没有重复数字的三位数 ?

答：3×2×1=6种。

假设先放百位，有三种可能，再放十位，有两种可能，最后放个位，只有一种可能了。

故为3×2×1=6种

从上面例子可以发现：

当有n个不同数字进行排列时

第一个位置有(n)选择，第二个位置有(n-1)种选择...第n个位置有1种选择，一共有n*(n-1)(n-2)...21种可能，也就是n!种排列方式。

我们用��Pn​表示n种不同元素的所有排列的种数，则

��=�∗(�−1)∗(�−2)∗...∗3∗2∗1=�!Pn​=n∗(n−1)∗(n−2)∗...∗3∗2∗1=n!

逆序数

概念

  • 标准次序：n个不同的数字，我们可以规定从小到大为标准次序
  • 逆序：与标准排列次序相反（比如两个元素排序是从大到小，与标准次序相反，则视为逆序）
  • 排列的逆序数：一个排列中所有逆序的总数

计算排列的逆序数的方法

n个元素（依次为1,2,3...n-1,n），规定从小到大为标准次序

设�1�2...��p1​p2​...pn​为这n个元素的一个排列，对于元素��pi​(i=1,2...,n)，如果比��pi​大的且排在��pi​前面的元素有��ti​个，那么就说��pi​这个元素的逆序数是��ti​。

全体元素的逆序数总和为t，那么

�=�2+�2+...+��=∑�=1���t=t2​+t2​+...+tn​=∑t=1n​ti​

即是这个排列的逆序数。

举例

求排列32514的逆序数

答：3在第一位，前面没有数，逆序数为0

2在第二位，前面的数中，有一个数3比2大，所以逆序数为1

5的前面没有比5的数，逆序数为0

1的前面比1大的数有：3、2、5，所以逆序数为3

4的前面比4大的只有5，所以逆序数为1

综上，该排列的逆序数t=0+1+0+3+1=5

补充概念

  • 齐排列：逆序数为奇数的排列
  • 偶排列：逆序数为偶数的排列

结语

文章仅作为学习笔记，记录从0到1的一个过程

希望对您有所帮助，如有错误欢迎小伙伴指正～

若文中数学公式显示不正确 点击此处进行查看

我是 海轰ଘ(੭ˊᵕˋ)੭

如果您觉得写得可以的话，请点个赞吧

谢谢支持 ❤️

本文出处【机器学习｜数学基础】Mathematics for Machine Learning系列之线性代数（1）：二阶与三阶行列式、全排列及其逆序数 - 掘金，仅作学习笔记

日月走云
关注
【机器学习｜数学基础】Mathematics for Machine Learning系列之线性代数（23）：维数、基与坐标
海到无边天作岸 山登绝顶我为峰
10-03 2327
6.2 维数、基与坐标 定义2 在线性空间VVV中，如果存在nnn个元素α1,α2,...,αn\alpha_1,\alpha_2,...,\alpha_nα1​,α2​,...,αn​，满足： α1,α2,...,αn\alpha_1,\alpha_2,...,\alpha_nα1​,α2​,...,αn​线性无关 VVV中任一元素α\alphaα总可由α1,α2,...,αn\alpha_1,\alpha_2,...,\alpha_nα1​,α2​,...,αn​线性表示 那么α1,α2,...,α
【机器学习｜数学基础】Mathematics for Machine Learning系列之线性代数（2）：n阶行列式、对换
海到无边天作岸 山登绝顶我为峰
09-12 2601
文章目录前言1.3 n阶行列式1.4 对换1.4.1 排列的对换概念定理1内容证明推论1.4.2 行列式的另一种表示方法定理2内容证明结语 前言 Hello！小伙伴！ 非常感谢您阅读海轰的文章，倘若文中有错误的地方，欢迎您指出～   自我介绍 ଘ(੭ˊᵕˋ)੭ 昵称：海轰 标签：程序猿｜C++选手｜学生 简介：因C语言结识编程，随后转入计算机专业，有幸拿过一些国奖、省奖…已保研。目前正在学习C++/Linux/Python 学习经验：扎实基础 + 多做笔记 + 多敲代码 + 多思考 + 学好英
【机器学习｜数学基础】Mathematics for Machine Learning系列之线性代数（13）：线性方程组的解的结构
海到无边天作岸 山登绝顶我为峰
09-23 2533
4.3 线性方程组的解的结构 解向量 设有齐次线性方程组 {a11x1+a12x2+....+a1nxn=0a21x1+a22x2+...+a2nxn=0...........am1x1+am2x2+....+amnxn=0\begin{cases} a_{11}x_1+a_{12}x_2+....+a_{1n}x_n=0 \\ a_{21}x_1+a_{22}x_2+...+a_{2n}x_n=0\\ ...........\\ a_{m1}x_1+a_{m2}x_2+....+a_{mn}x_n=0\\
【机器学习｜数学基础】Mathematics for Machine Learning系列之线性代数（21）：正定二次型
海到无边天作岸 山登绝顶我为峰
10-01 2471
5.7 正定二次型 二次型的标准型不是惟一的，只是标准形中所含的项数是确定的（即二次型的秩） 定理9：惯性定理 设有二次型f=xTAxf=x^TAxf=xTAx，它的秩为rrr，有两个可逆变换 x=Cy、x=Pzx=Cy、x=Pzx=Cy、x=Pz 使 f=k1y12+k2y22+....+kryr2(ki≠0)f=k_1y_1^2+k_2y_2^2+....+k_ry_r^2(k_i\neq0)f=k1​y12​+k2​y22​+....+kr​yr2​(ki​​=0) 和 f=λ1z12+λ2z22+
【机器学习｜数学基础】Mathematics for Machine Learning系列之线性代数（24）：基变换与坐标变换
海到无边天作岸 山登绝顶我为峰
10-04 1929
# 6.3 基变换与坐标变换 同一元素在不同的基下有不同的坐标 设$\alpha_1,...,\alpha_n、\beta_1,....,\beta_n$是线性空间$V_n$中的两个基，有 $$\begin{cases} \beta_1=p_{11}\alpha_1+p_{21}\alpha_2+....+p_{n1}\alpha_n\\ \beta_2=p_{12}\alpha_1+p_{22}\alpha_2+....+p_{n2}\alpha_n\\ ........\\ \beta_n=p_{
【机器学习｜数学基础】Mathematics for Machine Learning系列之线性代数（10）：向量组及其线性组合
海到无边天作岸 山登绝顶我为峰
09-20 2100
文章目录前言4.1 向量组及其线性组合定义1定义2定理1定义3定理2定理3结语 前言 Hello！小伙伴！ 非常感谢您阅读海轰的文章，倘若文中有错误的地方，欢迎您指出～   自我介绍 ଘ(੭ˊᵕˋ)੭ 昵称：海轰 标签：程序猿｜C++选手｜学生 简介：因C语言结识编程，随后转入计算机专业，有幸拿过一些国奖、省奖…已保研。目前正在学习C++/Linux/Python 学习经验：扎实基础 + 多做笔记 + 多敲代码 + 多思考 + 学好英语！   机器学习小白阶段 文章仅作为自己的学习笔
【机器学习｜数学基础】Mathematics for Machine Learning系列之线性代数（25）：线性变换
海到无边天作岸 山登绝顶我为峰
10-05 2014
6.4 线性变换 定义4 设有两个非空集合A,BA,BA,B，如果对于AAA中任一元素α\alphaα，按照一定的规则，总有BBB中一个确定的元素β\betaβ和它对应 那么，这个规则称为从集合AAA到集合BBB的映射，将上述映射记作TTT，并记 β=T(α)或β=Tα(α∈A,β∈B)\beta=T(\alpha) \quad 或 \quad\beta=T\alpha\quad(\alpha \in A,\beta \in B)β=T(α)或β=Tα(α∈A,β∈B) 设α1∈A,T(α1)=β1\alp
【机器学习｜数学基础】Mathematics for Machine Learning系列之线性代数（19）：二次型及其标准形
海到无边天作岸 山登绝顶我为峰
09-29 2056
5.5 二次型及其标准形 定义8：二次型 含有nnn个变量x1,x2,...,xnx_1,x_2,...,x_nx1​,x2​,...,xn​的二次齐次函数 f(x1,x2,...,xn)=a11x12+a22x22+....+annxn2+2a12x1x2+2a13x1x3+....+2an−1,nxn−1xnf(x_1,x_2,...,x_n)=a_{11}x_1^2+a_{22}x_2^2+....+a_{nn}x_n^2+2a_{12}x_1x_2+2a_{13}x_1x_3+....+2a_{n-
【机器学习｜数学基础】Mathematics for Machine Learning系列之线性代数（22）：线性空间的定义与性质
海到无边天作岸 山登绝顶我为峰
10-02 1998
6.1 线性空间的定义与性质 定义1 设VVV是一个非空集合，R\mathbb{R}R为实数域 如果对于任意两个元素α,β∈V\alpha,\beta \in Vα,β∈V，总有惟一的一个元素γ∈V\gamma \in Vγ∈V与之对应，称为α\alphaα与β\betaβ的和，记作γ=α+β\gamma=\alpha+ \betaγ=α+β 对于任一数λ∈R,α∈V\lambda\in \mathbb{R},\alpha \in Vλ∈R,α∈V，总有惟一的一个元素δ∈V\delta\in Vδ∈V与之对
机器学习(Machine Learning)与深度学习(Deep Learning)资料汇总
ZhangPY的专栏
02-28 6726
《Brief History of Machine Learning》 介绍:这是一篇介绍机器学习历史的文章，介绍很全面，从感知机、神经网络、决策树、SVM、Adaboost到随机森林、Deep Learning. 《Deep Learning in Neural Networks: An Overview》 介绍:这是瑞士人工智能实验室Jurgen Schmidhuber写的最
机器学习(Machine Learning)&深度学习(Deep Learning)资料
热门推荐
weixin_30756499的博客
07-07 1万+
##机器学习(Machine Learning)&深度学习(Deep Learning)资料(Chapter 1)---#####注:机器学习资料[篇目一](https://github.com/ty4z2008/Qix/blob/master/dl.md)共500条,[篇目二](https://github.com/ty4z2008/Qix/blob/master/dl2.md)开始更新...
机器学习(Machine Learning)
lee2430的博客
03-04 1667
原文链接：http://blog.csdn.net/zhoubl668/article/details/42921187 希望转载的朋友，你可以不用联系我．但是一定要保留原文链接，因为这个项目还在继续也在不定期更新．希望看到文章的朋友能够学到更多． 《Brief History of Machine Learning》 介绍:这是一篇介绍机器学习历史的文章，介绍很全面，从感知机、神经
机器学习与深度学习资料
Jason Ding的专栏
04-23 4415
《Brief History of Machine Learning》 介绍:这是一篇介绍机器学习历史的文章，介绍很全面，从感知机、神经网络、决策树、SVM、Adaboost到随机森林、Deep Learning. 《Deep Learning in Neural Networks: An Overview》 介绍:这是瑞士人工智能实验室Jurgen Schmidhuber写的最新版本《神经网络与深
深度学习资料整理
jacke121的专栏
10-01 5300
深度学习资料整理
细说机器学习和深度学习
moandaylab
10-08 1081
神经网络，也称人工神经网络。人工神经网络是一种运算模型（就是输入输出的映射），由大量的节点（或称神经元）之间相互联接构成。运算模型指的是：从输入到输出的一种映射。每个神经元里存储着若干权重（weight）、偏置（bias）和一个激活函数（activation）。输入乘上权重加上偏置，经过激活函数得到输出。激活函数用于添加一些非线性变换。神经网络通常包含一个输入层、若干隐藏层、一个输出层。输入层通常不用于计算神经网络的层数。
1 机器学习之引言
最新发布
此博客内容主要是小可日常工作中的一些问题解决的记录整理而成
10-11 366
机器学习正是这样一门学科，它致力于研究如何通过计算的手段，利用经验来改善系统自身的性能，在计算机系统中，​“经验”通常以“数据”形式存在，因此，机器学习所研究的主要内容，是关于在计算机上从数据中产生“模型”(model)的算法，即“学习算法”(learning algorithm)。走到水果摊旁，挑了个根蒂蜷缩、敲起来声音浊响的青绿西瓜，一边满心期待着皮薄肉厚瓤甜的爽落感，一边愉快地想着，这学期狠下了工夫，基础概念弄得清清楚楚，算法作业也是信手拈来，这门课成绩一定差不了！希望各位在学期结束时有这样的感觉。
大数据新视界 --大数据大厂之大数据与量子机器学习融合：突破智能分析极限
青云交的博客
10-09 2677
本文深入探讨大数据与量子机器学习的融合。阐述二者基础概念后，分析融合驱动力，包括数据增长挑战和智能分析新需求。介绍融合实现方式如数据编码、量子算法应用，并展示医疗诊断和金融风险预测的应用案例。同时指出面临的技术与人才挑战及应对策略，彰显其突破智能分析极限的潜力。
线性代数入门指南
m0_52796585的博客
10-08 1341
在数学的广袤领域中，线性代数犹如一座神秘而又充满魅力的殿堂，等待着初学者去探索。当你踏入线性代数的大门，便开启了一段充满挑战与惊喜的知识之旅。线性代数是什么呢？简单来说，它是一门研究线性方程组、向量空间、线性变换等内容的数学学科。在现实生活中，线性代数有着广泛的应用。从计算机图形学、数据分析到物理学、工程学等领域，都能看到线性代数的身影。对于初学者来说，理解向量是线性代数的重要一步。向量可以看作是既有大小又有方向的量。它可以用一组有序的数来表示，比如在二维空间中，一个向量可以表示为 (x,y)。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值