![23b13455d67fb65cf5ed24c7aa84f579.png](https://img-blog.csdnimg.cn/img_convert/23b13455d67fb65cf5ed24c7aa84f579.png)
本篇为CS229 Lecture5的笔记。上一章笔记见监督学习与线性模型
重点参考:
- 浅谈「正定矩阵」和「半正定矩阵」
- 高斯判别分析
- 矩阵求导术(上)
目录
- 矩阵知识回顾
- 概率知识回顾
- 多元正态(高斯)分布
- 判别模型VS生成模型
- 高斯判别分析模型(GDA)的推导
- logistic回归的鲁棒性
矩阵知识回顾
-
表示方阵
的逆,该逆满足条件:
- 并非所有矩阵都存在逆:根据定义,非方阵不存在逆;此外一部分特殊的方阵也存在逆不存在的情况
- 对于矩阵
,若
存在,则称
为可逆的或者非奇异的;若
不存在,则称
为不可逆的或者奇异的
- 矩阵是否满秩是判断矩阵是否可逆的充分必要条件,满秩时矩阵可逆,反之亦然
- 正定矩阵和负定矩阵总是满秩的,即它们总是可逆的
- 半正定矩阵是正定矩阵的推广,半正定矩阵的行列式是非负的(与之对应的,正定矩阵的行列式恒大于零)
-
-
概率知识回顾
- 随机变量
的期望
又被称为随机变量的均值
- 随机变量
的方差被用于度量该变量在变量均值周围的分布情况,随机变量
方差
定义为
- 对于任意常数
,有
,
- 对方差的表达式进行化简:
,将展开式中的
视为常数,根据上一条提到的性质继续化简得:
- 推及到二元随机变量的情况:协方差[2]被用于度量两个变量的总体误差,定义为
,而方差是协方差的一种特殊情况,即两个变量相同的情况
- 对协方差的定义进行化简可得
;若随机变量
与
互为统计独立的,则
,随机变量
之间的协方差为0
- 推及到多元随机变量的情况:将多元随机变量写成向量的形式
,对于多元随机变量向量
,其期望
;将向量
推广至矩阵形式
,该矩阵的期望
- 对于多元随机变量向量
,它的协方差矩阵
为
的方阵,其
位置的元素为
,协方差矩阵的完整形式为:
;协方差矩阵这个概念是对于标量随机变量方差的一般化推广
- 根据协方差的定义以及上面提及矩阵期望的性质,对协方差矩阵进行化简,
,从最终的化简结果也能看出,不论是方差、协方差还是协方差矩阵,它们之间都存在着优美的一致性
- 多元随机变量的协方差矩阵总是半正定的[4]:给定任意能使
成立的
,
,将向量