数据挖掘day08-线性代数的本质09～11

09、基变换

矩阵变换其实就是由基向量变换形成的，也就是之前第三、四章写的内容。

1、在一个坐标轴，向量都由基向量变换组成，向量$\left[\begin{array}{c}x\\ y\end{array}\right]$,中x，y只是记录变换的数值，其实就是$\left[\begin{array}{c}x\ast i\\ y\ast j\end{array}\right]$

2、所以，线性变换，相当于只是基向量的变换，向量没变。例如变换为$\left[\begin{array}{cc}a& b\\ c& d\end{array}\right]$,基向量变成$\left[\begin{array}{c}a\\ c\end{array}\right]$$\left[\begin{array}{c}b\\ d\end{array}\right]$那么还是一样，

这个向量就是$\left[\begin{array}{cc}ax& by\\ cx& dy\end{array}\right]$。

3、我们最终的目的，就是不管矩阵怎么变换，都换算成常规的坐标系表示。

下面是用其他基向量表示的矩阵变换，整个计算式，其实是用不同的坐标系描述同一件事：

10、 特征向量与特征值

特征向量就是矩阵变换后还留在同一空间的向量，如下图的两条线。其实在三维上，就是转动的轴。
特征值就是变换后的倍数

但是在二维转换，不一定有特征向量。
那么特征向量就是说，对于矩阵$A$，存在一个向量$\vec{V}$,在进行转换后，只是进行拉伸就是$\lambda$$\vec{V}$，然后：

其实，倒数第二步，说明$\vec{V}$在变换之后为0，得出最后的结论是行列式是0。其实也是说矩阵$A-\lambda I$的列向量是线性的

对角矩阵，其实就是说所有基向量都是特征向量

由于对角矩阵的计算比较简单，例如计算幂，所以，对转换后的矩阵计算，可以将特征向量作为基向量，计算后再变换回来。

11、抽象向量空间

比如，函数也是向量，某些函数也是线性的。例如求导、微分。

二维矩阵变换的规定，就是这两条规定在二维的体现，这样就可以用基向量表示矩阵变换。
下面准备用矩阵描述求导：
首先表示空间为全体多项式

然后，将未知数x的不同次幂作为基向量

导数就是下面的矩阵变换（无限多项）：

线性代数和函数的不同命名：

所以，向量是非常多不同的东西，叫做向量空间：

只要符合如下公理，就可以进行向量加法和数乘：