向量的内积,欧式空间,读热编码

本文介绍了向量的内积(点乘)的概念、性质及其几何意义,包括计算两个向量的夹角和投影。接着,讨论了如何在机器学习中处理离散特征,特别是One-Hot编码的作用,它将离散特征转换为欧式空间的表示,以确保距离计算的合理性。最后,文章提到了不需要使用One-Hot编码的特殊情况,即特征本身已有合适的距离定义。
摘要由CSDN通过智能技术生成

向量的内积(点乘)

定义

概括地说,向量的内积(点乘/数量积)。对两个向量执行点乘运算,就是对这两个向量对应位一一相乘之后求和的操作,如下所示,对于向量a和向量b:

 

a和b的点积公式为:

这里要求一维向量a和向量b的行列数相同。注意:点乘的结果是一个标量(数量而不是向量)

定义:两个向量ab的内积为 a·b = |a||b|cos∠(a, b),特别地,0·a =a·0 = 0;若ab是非零向量,则ab****正交的充要条件是a·b = 0。

向量内积的性质:

  1. a^2 ≥ 0;当a^2 = 0时,必有a = 0. (正定性)
  2. a·b &
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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