机器学习数学基础
文章平均质量分 79
沉默的同学
这个作者很懒,什么都没留下…
展开
-
机器学习数学基础例题[一]: 范数, 逆, 投影, Gram-Schmidt正交化, 行列式展开, 初等变换, 特征值, 特征向量
要判断矩阵是否可逆,可以使用以下方法:1. 计算矩阵的行列式,如果行列式不等于零,那么矩阵可逆。2. 使用高斯消元法将矩阵转化为行阶梯形式,如果每一行都有非零元素,那么矩阵可逆。3. 计算矩阵的秩,如果秩等于矩阵的行数(或列数),那么矩阵可逆。略1. 向量:向量是由一组有序数值组成的对象,通常表示为列向量或行向量。在二维空间中,向量可以表示为 (x, y),在三维空间中可以表示为 (x, y, z)。2. 子空间:子空间是一个向量空间的子集,它本身也是一个向量空间,满足向量加法和标量乘法的封闭性。原创 2023-11-08 20:41:40 · 578 阅读 · 1 评论 -
机器学习数学基础例题[五]: 最优化问题
Minimization Problem(最小化问题):g_i(x) ≤ 0, i = 1, 2, …, m (不等式约束)h_j(x) = 0, j = 1, 2, …, p (等式约束)a_i ≤ xi ≤ b_i, i = 1, 2, …, n (变量范围)其中,f(x) 是目标函数,x 是待优化的变量向量,gi(x) 是不等式约束函数,hj(x) 是等式约束函数,ai 和 bi 是变量 x_i 的取值范围。最小化问题的目标是找到 x,使得 f(x) 的值最小,并满足所有的约束条件。原创 2023-11-08 19:25:48 · 339 阅读 · 1 评论 -
一些题型一的例题
1.用初等变换法化二次型f1(x_1,x_2,x_3)=x_1 * x_2 + x_1 * x_2 - 3 * x_2 *x_3。原创 2023-11-07 21:53:46 · 78 阅读 · 0 评论 -
行列式按行按列展开求解行列式
行列式按行(或列)展开是一种用于计算矩阵行列式的方法,通常在计算较小的矩阵时非常有效。让我详细解释一下如何按行展开和按列展开,并举一个示例来说明。原创 2023-11-07 20:38:24 · 1579 阅读 · 0 评论 -
Gram-Schmidt正交化
Gram-Schmidt正交化是一种线性代数中的方法,用于将给定向量组的基向量转化为标准正交基向量或标准正交基的扩展。原创 2023-11-07 19:56:06 · 701 阅读 · 0 评论 -
求向量在子空间的坐标, 投影, 投影矩阵
1. 向量:向量是由一组有序数值组成的对象,通常表示为列向量或行向量。在二维空间中,向量可以表示为 (x, y),在三维空间中可以表示为 (x, y, z)。2. 子空间:子空间是一个向量空间的子集,它本身也是一个向量空间,满足向量加法和标量乘法的封闭性。子空间可以是零向量空间、一维空间、二维空间等。3. 基向量:一组向量可以生成一个子空间,这组向量被称为子空间的基向量。基向量是线性无关的,并且可以用来表示子空间内的所有向量。4. 坐标:在线性代数中,坐标是用来描述一个向量在某个坐标系中的位置的数值。原创 2023-11-07 19:36:54 · 330 阅读 · 0 评论 -
判断矩阵是否可逆,求矩阵的秩, 求矩阵的逆矩阵
机器学习数学基础原创 2023-11-07 19:13:08 · 880 阅读 · 0 评论 -
矩阵和向量的各种范数(定义 + 例题)
矩阵的不同范数的定义如下:1. 1范数(L1范数):矩阵的每一列的绝对值之和中的最大值。2. 2范数(L2范数):矩阵的特征值中的最大值的平方根。3. 无穷范数:矩阵的每一行的绝对值之和中的最大值。4. F范数(Frobenius范数):矩阵的每个元素的平方和的平方根。对于向量的不同范数的定义如下:1. 0范数:向量中非零元素的个数。2. 1范数(L1范数):向量的每个元素的绝对值之和。3. 2范数(L2范数):向量的每个元素的平方和的平方根。4. 无穷范数:向量中绝对值最大的元素。原创 2023-11-07 18:49:28 · 4339 阅读 · 0 评论