阅读翻译Mathematics for Machine Learning之2.6 Generating Set and Basis
关于:
- 首次发表日期:2024-07-19
- 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
2.6.1 Basis and Rank (基与秩)
定义 2.13(生成集与张成)。考虑一个向量空间 V = ( V , + , ⋅ ) V=(\mathcal{V}, +, \cdot) V=(V,+,⋅) 和一组向量 A = { x 1 , … , x k } ⊆ V \mathcal{A}=\left\{\boldsymbol{x}_1, \ldots, \boldsymbol{x}_k\right\} \subseteq \mathcal{V} A={x1,…,xk}⊆V。如果 V \mathcal{V} V 中的每一个向量 v \boldsymbol{v} v 都可以表示为 x 1 , … , x k \boldsymbol{x}_1, \ldots, \boldsymbol{x}_k x1,…,xk 的线性组合,则称 A \mathcal{A} A 为 V V V 的一个生成集。向量 A \mathcal{A} A 中所有向量的线性组合构成的集合称为 A \mathcal{A} A 的张成。如果 A \mathcal{A} A 张成了向量空间 V V V,我们写作 V = span [ A ] V=\operatorname{span}[\mathcal{A}] V=span[A] 或 V = span [ x 1 , … , x k ] V=\operatorname{span}\left[\boldsymbol{x}_1, \ldots, \boldsymbol{x}_k\right] V=span[x1,…,xk]。
生成集是张成向量(子)空间的向量集合,即每一个向量都可以表示为生成集中向量的线性组合。现在,我们将更加具体地描述张成向量(子)空间的最小生成集。
定义 2.14(基)。考虑一个向量空间 V = ( V , + , ⋅ ) V=(\mathcal{V}, +, \cdot) V=(V,+,⋅) 和 A ⊆ V \mathcal{A} \subseteq \mathcal{V} A⊆V。如果不存在比 A \mathcal{A} A 更小的集合 A ~ ⊊ A ⊆ V \tilde{\mathcal{A}} \subsetneq \mathcal{A} \subseteq \mathcal{V} A~⊊A⊆V 能张成 V V V,那么 V V V 的生成集 A \mathcal{A} A 被称为最小生成集。 V V V 的每一个线性无关的生成集都是最小的,并且被称为 V V V 的一个基。
设 V = ( V , + , ⋅ ) V=(\mathcal{V},+, \cdot) V=(V,+,⋅) 是一个向量空间, B ⊆ V , B ≠ ∅ \mathcal{B} \subseteq \mathcal{V}, \mathcal{B} \neq \emptyset B⊆V,B=∅。那么,以下陈述是等价的:
- B \mathcal{B} B 是 V V V 的一个基。
- B \mathcal{B} B 是一个最小生成集。
- B \mathcal{B} B 是 V V V 中的最大线性无关向量集,即向这个集合中添加任何其他向量都会使其线性相关。
- 每一个向量 x ∈ V \boldsymbol{x} \in V x∈V 都是来自 B \mathcal{B} B 的向量的线性组合,并且每个线性组合都是唯一的,即:
x = ∑ i = 1 k λ i b i = ∑ i = 1 k ψ i b i (2.77) \boldsymbol{x}=\sum_{i=1}^k \lambda_i \boldsymbol{b}_i=\sum_{i=1}^k \psi_i \boldsymbol{b}_i \tag{2.77} x=i=1∑kλibi=i=1∑kψibi(2.77)
且 λ i , ψ i ∈ R , b i ∈ B \lambda_i, \psi_i \in \mathbb{R}, \boldsymbol{b}_i \in \mathcal{B} λi,ψi∈R,bi∈B,这意味着 λ i = ψ i , i = 1 , … , k \lambda_i=\psi_i, i=1, \ldots, k λi=ψi,i=1,…,k。
基是一个最小的生成集和一个最大的线性无关向量集合。
**例2.16**
- 在
R
3
\mathbb{R}^3
R3 中,标准基是
B = { [ 1 0 0 ] , [ 0 1 0 ] , [ 0 0 1 ] } \mathcal{B}=\left\{\left[\begin{array}{l} 1 \\ 0 \\ 0 \end{array}\right],\left[\begin{array}{l} 0 \\ 1 \\ 0 \end{array}\right],\left[\begin{array}{l} 0 \\ 0 \\ 1 \end{array}\right]\right\} B=⎩ ⎨ ⎧ 100 , 010 , 001 ⎭ ⎬ ⎫ -
R
3
\mathbb{R}^3
R3 中不同的基是
B 1 = { [ 1 0 0 ] , [ 1 1 0 ] , [ 1 1 1 ] } , B 2 = { [ 0.5 0.8 0.4 ] , [ 1.8 0.3 0.3 ] , [ − 2.2 − 1.3 3.5 ] } . \mathcal{B}_1=\left\{\left[\begin{array}{l} 1 \\ 0 \\ 0 \end{array}\right],\left[\begin{array}{l} 1 \\ 1 \\ 0 \end{array}\right],\left[\begin{array}{l} 1 \\ 1 \\ 1 \end{array}\right]\right\}, \mathcal{B}_2=\left\{\left[\begin{array}{l} 0.5 \\ 0.8 \\ 0.4 \end{array}\right],\left[\begin{array}{l} 1.8 \\ 0.3 \\ 0.3 \end{array}\right],\left[\begin{array}{c} -2.2 \\ -1.3 \\ 3.5 \end{array}\right]\right\} . B1=⎩ ⎨ ⎧ 100 , 110 , 111 ⎭ ⎬ ⎫,B2=⎩ ⎨ ⎧ 0.50.80.4 , 1.80.30.3 , −2.2−1.33.5 ⎭ ⎬ ⎫. - 集合
A = { [ 1 2 3 4 ] , [ 2 − 1 0 2 ] , [ 1 1 0 − 4 ] } \mathcal{A}=\left\{\left[\begin{array}{l} 1 \\ 2 \\ 3 \\ 4 \end{array}\right],\left[\begin{array}{c} 2 \\ -1 \\ 0 \\ 2 \end{array}\right],\left[\begin{array}{c} 1 \\ 1 \\ 0 \\ -4 \end{array}\right]\right\} A=⎩ ⎨ ⎧ 1234 , 2−102 , 110−4 ⎭ ⎬ ⎫
是线性无关的,但不是 R 4 \mathbb{R}^4 R4 的生成集(也不是基):例如,向量 [ 1 , 0 , 0 , 0 ] ⊤ [1,0,0,0]^{\top} [1,0,0,0]⊤ 不能通过 A \mathcal{A} A 中元素的线性组合得到。
注释 每个向量空间 V V V 都有一个基 B \mathcal{B} B。前面的例子表明,一个向量空间 V V V 可以有许多不同的基,即没有唯一的基。然而,所有的基都具有相同数量的元素,即基向量。
我们只考虑有限维向量空间 V V V。在这种情况下, V V V 的维数是其基向量的数量,记作 dim ( V ) \operatorname{dim}(V) dim(V)。如果 U ⊆ V U \subseteq V U⊆V 是 V V V 的子空间,则 dim ( U ) ⩽ dim ( V ) \operatorname{dim}(U) \leqslant \operatorname{dim}(V) dim(U)⩽dim(V),且当且仅当 U = V U=V U=V时 dim ( U ) = dim ( V ) \operatorname{dim}(U) = \operatorname{dim}(V) dim(U)=dim(V) 。直观地说,向量空间的维数可以理解为这个空间中独立方向的数量。
注释 向量空间的维数不一定是向量中元素的数量。例如,向量空间 V = span [ [ 0 1 ] ] V=\operatorname{span}[\left[\begin{array}{l}0 \\ 1\end{array}\right]] V=span[[01]] 是一维的,尽管基向量具有两个元素。
向量空间的维数对应于其基向量的数量。
注释 子空间 U = span [ x 1 , … , x m ] ⊆ R n U=\operatorname{span}\left[\boldsymbol{x}_1, \ldots, \boldsymbol{x}_m\right] \subseteq \mathbb{R}^n U=span[x1,…,xm]⊆Rn 的一个基可以通过以下步骤找到:
- 将张成向量写成矩阵 A \boldsymbol{A} A 的列。
- 求解矩阵 A \boldsymbol{A} A 的行阶梯形式。
- 与枢轴列相关联的张成向量构成 U U U 的一个基。
2.6.2 Rank(秩)
一个矩阵 A ∈ R m × n \boldsymbol{A} \in \mathbb{R}^{m \times n} A∈Rm×n 的线性无关列的数量等于线性无关行的数量,并且被称为 A \boldsymbol{A} A 的秩,表示为 rk ( A ) \operatorname{rk}(\boldsymbol{A}) rk(A)。
注释。矩阵的秩具有一些重要性质:
- rk ( A ) = rk ( A ⊤ ) \operatorname{rk}(\boldsymbol{A})=\operatorname{rk}\left(\boldsymbol{A}^{\top}\right) rk(A)=rk(A⊤),即,列秩等于行秩。
- A ∈ R m × n \boldsymbol{A} \in \mathbb{R}^{m \times n} A∈Rm×n 的列张成一个子空间 U ⊆ R m U \subseteq \mathbb{R}^m U⊆Rm,其维数为 dim ( U ) = rk ( A ) \operatorname{dim}(U)=\operatorname{rk}(\boldsymbol{A}) dim(U)=rk(A)。稍后我们将这个子空间称为像或值域。通过应用高斯消元法到 A \boldsymbol{A} A 可以找到 U U U 的一个基,以识别枢轴列。
- A ∈ R m × n \boldsymbol{A} \in \mathbb{R}^{m \times n} A∈Rm×n 的行张成一个子空间 W ⊆ R n W \subseteq \mathbb{R}^n W⊆Rn,其维数为 dim ( W ) = rk ( A ) \operatorname{dim}(W)=\operatorname{rk}(\boldsymbol{A}) dim(W)=rk(A)。通过应用高斯消元法到 A ⊤ \boldsymbol{A}^{\top} A⊤ 可以找到 W W W 的一个基。
- 对于所有的 A ∈ R n × n \boldsymbol{A} \in \mathbb{R}^{n \times n} A∈Rn×n,如果且仅如果 rk ( A ) = n \operatorname{rk}(\boldsymbol{A})=n rk(A)=n, A \boldsymbol{A} A 是正则的(可逆的)。
- 对于所有的 A ∈ R m × n \boldsymbol{A} \in \mathbb{R}^{m \times n} A∈Rm×n 和所有的 b ∈ R m \boldsymbol{b} \in \mathbb{R}^m b∈Rm,线性方程组 A x = b \boldsymbol{A} \boldsymbol{x}=\boldsymbol{b} Ax=b 可以求解当且仅当 rk ( A ) = rk ( A ∣ b ) \operatorname{rk}(\boldsymbol{A})=\operatorname{rk}(\boldsymbol{A} \mid \boldsymbol{b}) rk(A)=rk(A∣b),其中 A ∣ b \boldsymbol{A} \mid \boldsymbol{b} A∣b 表示增广系统。
- 对于 A ∈ R m × n \boldsymbol{A} \in \mathbb{R}^{m \times n} A∈Rm×n, A x = 0 \boldsymbol{A x}=\mathbf{0} Ax=0 的解空间具有维数 n − rk ( A ) n-\operatorname{rk}(\boldsymbol{A}) n−rk(A)。稍后,我们将这个子空间称为核或零空间。
- 如果矩阵 A ∈ R m × n \boldsymbol{A} \in \mathbb{R}^{m \times n} A∈Rm×n 的秩等于相同维度矩阵的最大可能秩,则称其具有满秩。这意味着满秩矩阵的秩是行数和列数中的较小者,即 rk ( A ) = min ( m , n ) \operatorname{rk}(\boldsymbol{A})=\min (m, n) rk(A)=min(m,n)。如果矩阵没有满秩,则称其为秩亏损的。
例子2.18(秩)
- A = [ 1 0 1 0 1 1 0 0 0 ] \boldsymbol{A}=\left[\begin{array}{lll}1 & 0 & 1 \\ 0 & 1 & 1 \\ 0 & 0 & 0\end{array}\right] A= 100010110
矩阵 A \boldsymbol{A} A 有两行/列是线性无关的,因此 rk ( A ) = 2 \operatorname{rk}(\boldsymbol{A})=2 rk(A)=2。
- A = [ 1 2 1 − 2 − 3 1 3 5 0 ] \boldsymbol{A}=\left[\begin{array}{ccc}1 & 2 & 1 \\ -2 & -3 & 1 \\ 3 & 5 & 0\end{array}\right] A= 1−232−35110 。
我们使用高斯消元法来确定秩:
[
1
2
1
−
2
−
3
1
3
5
0
]
⇝
⋯
⇝
[
1
2
1
0
1
3
0
0
0
]
.
\left[\begin{array}{ccc} 1 & 2 & 1 \\ -2 & -3 & 1 \\ 3 & 5 & 0 \end{array}\right] \rightsquigarrow \cdots \rightsquigarrow\left[\begin{array}{ccc} 1 & 2 & 1 \\ 0 & 1 & 3 \\ 0 & 0 & 0 \end{array}\right] .
1−232−35110
⇝⋯⇝
100210130
.
在这里,我们看到线性无关的行和列的数量是 2,因此 rk ( A ) = 2 \operatorname{rk}(\boldsymbol{A})=2 rk(A)=2。