线性代数
飞洒地方HHHH
Focus on one thing, simple it.
展开
-
线性代数矩阵的投影
假设有Ax = b; 这个矩阵方程 ,可能存在b向量无法用A的列向量表示的情况, 在这种情况下,方程是无解的,也就是b向量不在A的列向量所构成的子空间中。在工程应用中,这种情况是经常出现的,比如说在统计中,我们收集了一大堆的样本点集(x,y),我们在坐标系中画出了这些点,我们希望有一条拟合直线y = ax + b; 来拟合这些样本点。那么问题就是,如何求出最好的系数a,b使得这条直线使得大部分的样原创 2016-09-27 18:07:44 · 1073 阅读 · 0 评论 -
四大子空间的理解
一.四大子空间线性代数中,用向量空间的角度去理解求解过程,会使得我们对线代的理解更加的深入。这也运用了数型结合的思想,把直观的几何视觉与严谨的数学计算结合,使得我们解决问题更加的方便。所谓数无形式少直觉,形无数式难入微。若有表达式 Ax = b; 我们关系的是A中列向量所构成的空间的情况,若A={a1,a2,a3,a4...,an};则上面的表达式就转化为了是否存在一个x=(x1,x2,x原创 2016-09-21 13:00:17 · 3794 阅读 · 0 评论 -
奇异值与特征值基础
一、奇异值与特征值基础知识: 特征值分解和奇异值分解在机器学习领域都是属于满地可见的方法。两者有着很紧密的关系,我在接下来会谈到,特征值分解和奇异值分解的目的都是一样,就是提取出一个矩阵最重要的特征。先谈谈特征值分解吧: 1)特征值: 如果说一个向量v是方阵A的特征向量,将一定可以表示成下面的形式: 这时候λ就被称为特征向量v对应的特征转载 2016-11-02 08:36:03 · 386 阅读 · 0 评论