阅读翻译Mathematics for Machine Learning之2.5 Linear Independence
关于:
- 首次发表日期:2024-07-18
- Mathematics for Machine Learning官方链接: https://mml-book.com
- ChatGPT和KIMI机翻,人工润色
- 非数学专业,如有错误,请不吝指出
2.5 线性无关( Linear Independence)
接下来,我们将仔细看看如何操作向量(向量空间的元素)。特别是,我们可以将向量相加并用标量相乘。闭合性(closure property)保证了我们最终得到的还是同一向量空间中的另一个向量。我们可以找到一组(set)向量,通过相加和缩放这些向量,我们可以表示向量空间中的每一个向量。这组向量称为基(base),我们将在第2.6.1节讨论它们。在此之前,我们需要介绍线性组合和线性无关的概念。
定义 2.11(线性组合)。考虑一个向量空间 V V V 和有限数量的向量 x 1 , … , x k ∈ V \boldsymbol{x}_1, \ldots, \boldsymbol{x}_k \in V x1,…,xk∈V。那么,每一个 v ∈ V \boldsymbol{v} \in V v∈V 形式如下的向量
v = λ 1 x 1 + ⋯ + λ k x k = ∑ i = 1 k λ i x i ∈ V (2.65) \boldsymbol{v}=\lambda_1 \boldsymbol{x}_1+\cdots+\lambda_k \boldsymbol{x}_k=\sum_{i=1}^k \lambda_i \boldsymbol{x}_i \in V \tag{2.65} v=λ1x1+⋯+λkxk=i=1∑kλixi∈V(2.65)
其中 λ 1 , … , λ k ∈ R \lambda_1, \ldots, \lambda_k \in \mathbb{R} λ1,…,λk∈R 是向量 x 1 , … , x k \boldsymbol{x}_1, \ldots, \boldsymbol{x}_k x1,…,xk 的线性组合。
零向量 0 \mathbf{0} 0 总是可以写成 k k k 个向量 x 1 , … , x k \boldsymbol{x}_1, \ldots, \boldsymbol{x}_k x1,…,xk 的线性组合,因为 0 = ∑ i = 1 k 0 x i \mathbf{0}=\sum_{i=1}^k 0 \boldsymbol{x}_i 0=∑i=1k0xi 总是成立的。接下来,我们对一组向量的非平凡(non-trivial)线性组合表示 0 \mathbf{0} 0 感兴趣,即向量 x 1 , … , x k \boldsymbol{x}_1, \ldots, \boldsymbol{x}_k x1,…,xk 的线性组合,其中不是所有系数 λ i \lambda_i λi 在 (2.65) 中都为 0。
定义 2.12(线性(不)相关性)。让我们考虑一个向量空间 V V V 以及 k ∈ N k \in \mathbb{N} k∈N 和 x 1 , … , x k ∈ V \boldsymbol{x}_1, \ldots, \boldsymbol{x}_k \in V x1,…,xk∈V。如果存在一个非平凡的线性组合,使得 0 = ∑ i = 1 k λ i x i \mathbf{0}=\sum_{i=1}^k \lambda_i \boldsymbol{x}_i 0=∑i=1kλixi 且至少有一个 λ i ≠ 0 \lambda_i \neq 0 λi=0,则向量 x 1 , … , x k \boldsymbol{x}_1, \ldots, \boldsymbol{x}_k x1,…,xk 是线性相关的。如果只存在零解,即 λ 1 = … = λ k = 0 \lambda_1=\ldots=\lambda_k=0 λ1=…=λk=0,则向量 x 1 , … , x k \boldsymbol{x}_1, \ldots, \boldsymbol{x}_k x1,…,xk 是线性无关的。
线性无关是线性代数中最重要的概念之一。直观上,一组线性无关的向量由没有冗余的向量组成,即,如果我们从集合中移除任何一个向量,我们将失去一些东西。在接下来的章节中,我们将更正式地讨论这一直觉。
注释 以下性质对于判断向量是否线性无关是有用的:
-
k k k 个向量要么线性相关,要么线性无关,没有第三种可能。
-
如果向量 x 1 , … , x k \boldsymbol{x}_1, \ldots, \boldsymbol{x}_k x1,…,xk 中至少有一个是零向量 0 \mathbf{0} 0,那么它们是线性相关的。如果有两个向量相同,也成立。
-
向量 { x 1 , … , x k : x i ≠ 0 , i = 1 , … , k } , k ⩾ 2 \left\{\boldsymbol{x}_1, \ldots, \boldsymbol{x}_k : \boldsymbol{x}_i \neq \mathbf{0}, i=1, \ldots, k\right\}, k \geqslant 2 {x1,…,xk:xi=0,i=1,…,k},k⩾2 是线性相关的,当且仅当(至少)其中一个是其他向量的线性组合。特别地,如果一个向量是另一个向量的倍数,即 x i = λ x j , λ ∈ R \boldsymbol{x}_i=\lambda \boldsymbol{x}_j, \lambda \in \mathbb{R} xi=λxj,λ∈R,那么集合 { x 1 , … , x k : x i ≠ 0 , i = 1 , … , k } \left\{\boldsymbol{x}_1, \ldots, \boldsymbol{x}_k : \boldsymbol{x}_i \neq \mathbf{0}, i=1, \ldots, k\right\} {x1,…,xk:xi=0,i=1,…,k} 是线性相关的。
-
检查向量 x 1 , … , x k ∈ V \boldsymbol{x}_1, \ldots, \boldsymbol{x}_k \in V x1,…,xk∈V 是否线性无关的一种实用方法是使用高斯消元法:将所有向量作为矩阵 A \boldsymbol{A} A 的列,并进行高斯消元,直到矩阵处于行阶梯形态(这里不需要行简化阶梯形态(reduced row-echelon form)):
- 枢轴列(pivot columns)表示与其左边的向量线性无关的向量。注意,在构建矩阵时向量是有顺序的。
- 非枢轴列可以表示为左边枢轴列的线性组合。例如,行阶梯形态
[ 1 3 0 0 0 2 ] \left[\begin{array}{lll} 1 & 3 & 0 \\ 0 & 0 & 2 \end{array}\right] [103002]
告诉我们第一列和第三列是枢轴列。第二列是非枢轴列,因为它是第一列的三倍。
所有列向量是线性无关的当且仅当所有列都是枢轴列。如果至少有一个非枢轴列,则这些列(因此,相应的向量)是线性相关的。
注释 考虑一个向量空间 V V V,其中有 k k k 个线性无关的向量 b 1 , … , b k \boldsymbol{b}_1, \ldots, \boldsymbol{b}_k b1,…,bk 和 m m m 个线性组合
x 1 = ∑ i = 1 k λ i 1 b i , ⋮ x m = ∑ i = 1 k λ i m b i . (2.7.0) \begin{gathered} \boldsymbol{x}_1=\sum_{i=1}^k \lambda_{i1} \boldsymbol{b}_i, \\ \vdots \\ \boldsymbol{x}_m=\sum_{i=1}^k \lambda_{im} \boldsymbol{b}_i . \end{gathered} \tag{2.7.0} x1=i=1∑kλi1bi,⋮xm=i=1∑kλimbi.(2.7.0)
定义 B = [ b 1 , … , b k ] \boldsymbol{B}=\left[\boldsymbol{b}_1, \ldots, \boldsymbol{b}_k\right] B=[b1,…,bk] 为一个矩阵,其列是线性无关的向量 b 1 , … , b k \boldsymbol{b}_1, \ldots, \boldsymbol{b}_k b1,…,bk,我们可以更紧凑地写成
x j = B λ j , λ j = [ λ 1 j ⋮ λ k j ] , j = 1 , … , m , (2.7.1) \begin{gathered} \boldsymbol{x}_j=\boldsymbol{B} \boldsymbol{\lambda}_j, \quad \boldsymbol{\lambda}_j=\left[\begin{array}{c} \lambda_{1j} \\ \vdots \\ \lambda_{kj} \end{array}\right], \quad j=1, \ldots, m,\\ \end{gathered} \tag{2.7.1} xj=Bλj,λj= λ1j⋮λkj ,j=1,…,m,(2.7.1)
我们想要检验 x 1 , … , x m \boldsymbol{x}_1, \ldots, \boldsymbol{x}_m x1,…,xm 是否线性无关。为此,我们遵循检验 ∑ j = 1 m ψ j x j = 0 \sum_{j=1}^m \psi_j \boldsymbol{x}_j=\mathbf{0} ∑j=1mψjxj=0 的一般方法。通过 (2.71),我们得到
∑ j = 1 m ψ j x j = ∑ j = 1 m ψ j B λ j = B ∑ j = 1 m ψ j λ j . (2.7.2) \sum_{j=1}^m \psi_j \boldsymbol{x}_j=\sum_{j=1}^m \psi_j \boldsymbol{B} \boldsymbol{\lambda}_j=\boldsymbol{B} \sum_{j=1}^m \psi_j \boldsymbol{\lambda}_j . \tag{2.7.2} j=1∑mψjxj=j=1∑mψjBλj=Bj=1∑mψjλj.(2.7.2)
这意味着当且仅当列向量 { λ 1 , … , λ m } \left\{\boldsymbol{\lambda}_1, \ldots, \boldsymbol{\lambda}_m\right\} {λ1,…,λm} 是线性无关的, { x 1 , … , x m } \left\{\boldsymbol{x}_1, \ldots, \boldsymbol{x}_m\right\} {x1,…,xm} 是线性无关的。
注释:在一个向量空间 V V V 中, m m m 个由 k k k 个向量 x 1 , … , x k \boldsymbol{x}_1, \ldots, \boldsymbol{x}_k x1,…,xk 线性组合而成的向量是线性相关的,如果 m > k m>k m>k。