线性变换的几何解释（图请参考b站3Blue1Brown）

晨打水水水

已于 2022-03-01 17:19:34 修改

阅读量693

点赞数

分类专栏：机器学习中的数学文章标签：线性代数几何学矩阵

于 2022-03-01 11:26:11 首次发布

本文链接：https://blog.csdn.net/weixin_44468844/article/details/123200293

版权

机器学习中的数学专栏收录该内容

9 篇文章

订阅专栏

本文回顾线性变换的几何概念，通过矩阵解析向量运动和坐标系变换，重点讲解了基向量如何通过矩阵表示并演示了实例。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

本文的目的在于快速复习线性变换的几何理解，讲解请看

https://www.bilibili.com/video/BV1ys411472E?p=4https://www.bilibili.com/video/BV1ys411472E?p=4

线性变换(linear transformation)

transformation意味着function，更广泛来说是mapping（映射）。将一个向量变换到另一个向量，即输入一个向量到输出一个向量，中间所用的“中介”就是某一种mapping。transformation告诉我们应该用运动的思想来理解映射的过程。那么transformation到底是什么在变换，直观上来讲可能是向量本身在运动，还有另一种理解方式——坐标系在变换。

linear线性意味着2个条件：（1）变换前后原点不变（2）变换后依然是线性的

linear据意味着坐标系的网格线变换后保持平行且等距分布。

那么“中介”这个黑箱是什么？答案是矩阵

【注】下次看见矩阵，要考虑它到底是普通的矩阵还是线性变换

那么为什么是矩阵？

首先我们要知道，笛卡尔坐标系中的直角坐标系可以由（1，0）和（0，1）这两个向量张成

【注】事实上，任意一组线性无关的向量组成的线性无关向量集(set)可以张成一个空间；只不过（1，0）与（0，1）组成的线性无关向量集可以张成二维空间

其实这两个向量就是这个空间的基向量，可以表示任意向量。

其次，我们可以从变换前后的基向量入手，就可以明晰这个路径。

举个例子： $span(\begin{bmatrix} 1\\0 \end{bmatrix},\begin{bmatrix} 0\\1 \end{bmatrix})$ 转变成 $span(\begin{bmatrix} a\\b \end{bmatrix},\begin{bmatrix} c\\d \end{bmatrix})$ ，原空间任意向量 $\begin{bmatrix} k\\m \end{bmatrix}$ 变成 $\begin{bmatrix} a & c \\b & d \end{bmatrix}\begin{bmatrix} k\\m \end{bmatrix}$

原因很简单 $\begin{bmatrix} k\\m \end{bmatrix}=k\begin{bmatrix} 1\\0 \end{bmatrix}+m\begin{bmatrix} 0\\1 \end{bmatrix}$

变换后 $k\begin{bmatrix} a\\b \end{bmatrix}+m\begin{bmatrix} c\\d \end{bmatrix}=\begin{bmatrix} k*a+m*c\\ k*b+m*d \end{bmatrix}=\begin{bmatrix} a &c \\ b& d \end{bmatrix}\begin{bmatrix} k\\m \end{bmatrix}$