机器学习——矩阵和线性代数相关知识总结

最新推荐文章于 2022-09-09 21:23:34 发布

小庄头发很多

最新推荐文章于 2022-09-09 21:23:34 发布

阅读量490

点赞数 2

分类专栏：机器学习理论基础文章标签：矩阵线性代数

本文链接：https://blog.csdn.net/weixin_39928773/article/details/103983231

版权

本文总结了机器学习中重要的线性代数知识，包括方阵行列式、代数余子式、矩阵乘法、矩阵的秩、向量组、正交阵、特征值和特征向量以及矩阵和向量的求导。详细阐述了矩阵运算的规则，矩阵秩的定义及其与向量组的关系，正交矩阵的特性，以及特征值和特征向量的性质。此外，还讨论了矩阵求导的应用，对于理解和应用机器学习算法具有指导意义。

摘要由CSDN通过智能技术生成

方阵行列式

计算： $n$ 阶方阵的行列式等于它的任一行（或列）的各元素与其对应的代数余子式乘积之和。

代数余子式

余子式：在一个 $n$ 阶行列式 $A$ 中，把 $(\mathrm{i}, \mathrm{j})$ 元素 $a_{ij}$ 所在的第 $i$ 行和第 $j$ 列划去后，留下的 $n - 1$ 阶方阵的行列式叫做元素 $a_{ij}$ 的余子式，记做 $M_{ij}$ 。

代数余子式： $A_{i j}=(-1)^{i+j} M_{i j}$

行列式的计算：
$A=\left(\begin{array}{lll}{a_{11}} & {a_{12}} & {a_{13}} \\ {a_{21}} & {a_{22}} & {a_{23}} \\ {a_{31}} & {a_{32}} & {a_{33}}\end{array}\right) \quad \forall 1 \leq i \leq n,|A|=\sum_{j=1}^{n} a_{i j} \cdot(-1)^{i+j} M_{i j}$

伴随矩阵：对于 $n \times n$ 方阵的任意元素 $a_{ij}$ 的代数余子式 $A_{ij}$ 构成的方阵 $A^*$ 。
$A^{*}=\left(\begin{array}{cccc}{A_{11}} & {A_{21}} & {\cdots} & {A_{n 1}} \\ {A_{12}} & {A_{22}} & {\cdots} & {A_{n 2}} \\ {\vdots} & {\vdots} & {\ddots} & {\vdots} \\ {A_{1 n}} & {A_{2 n}} & {\cdots} & {A_{n n}}\end{array}\right)$

最低0.47元/天解锁文章

小庄头发很多

关注

2
点赞
踩
2

收藏

觉得还不错? 一键收藏
1
评论
机器学习——矩阵和线性代数相关知识总结

方阵行列式计算：nnn阶方阵的行列式等于它的任一行（或列）的各元素与其对应的代数余子式乘积之和。代数余子式余子式：在一个nnn阶行列式AAA中，把(i,j)(\mathrm{i}, \mathrm{j})(i,j)元素aija_{ij}aij所在的第iii行和第jjj列划去后，留下的n−1n-1n−1阶方阵的行列式叫做元素aija_{ij}aij的余子式，记做MijM_{ij}Mij。...
复制链接

扫一扫