平面向量内积坐标公式推导_机器学习01--PCA数学推导

是一种常见的数据分析手段，通过

可以解除线性相关，即通过线性变换将数据变换为一组各维度线性无关的表示，可用于提取数据的主要特征分量和降维，本文主要通过数学的原理帮助读者了解

的工作机制，希望能给大家带来帮助。

1.数学基础知识回顾
2.优化目标的引出
3.

的算法步骤

4.总结

1.数学基础知识回顾

1.1 内积

通过内积可以把两个向量映射成一个实数，为了避免过于抽象，我们使用一个二元向量举例：
假设：

，A和B可以表示为两条发自原点的有向线段，

从A点向B点引一条垂线，C点就表示A在B上的投影，假设A与B的夹角为

，则投影的

矢量长度为

，其中

是向量A的模，也是A线段的

标量长度；

，由此我们可以看出A与B的内积等于A到B投影的长度乘以B的模，假设B的模为1，那么

，即

设向量B的模为1，A与B的内积值等于A向B所在直线投影的矢量长度！

1.2 基

上图中M的坐标我们都知道是（3,2），我们也经常用线段终点的坐标来表示向量，但是我们忽略的是仅仅通过（3,2）本身是不能来精确的表示一个向量的，这里的3实际表示的是向量在x轴上的投影值是3，这里的2表示向量在y轴上的投影值是2，根据刚刚内积的概念我们可以知道，其实这里隐含了一个定义就是我们是基于x轴和y轴上模为1的向量为标准投影的；

所以向量（x，y）实际上表示一个线性组合：

，所有的二维向量都可以表示为这样的线性组合，此处的（1,0）和（0,1）叫做二维空间中的一组基；

因此要精准的表示一个向量，首先要确定一组基，然后给出基所在的各个直线上的投影值；我们通常选（1,0）和（0,1）是因为他比较方便࿰