线性代数是数学中的基础,也是十分重要的数学工具。在接触机器学习之后,我逐渐认识到了线性代数的重要性,矩阵运算,优化求解,都离不开线性代数的知识。同时,我也发现了自己数学基础的严重不足,急需好好重学一遍线性代数,为之后的学习打好基础。因此,“重温线性代数”这个系列就诞生了。或许大家会觉得这个系列的内容稍微基础了点,但学习就是如此,一遍又一遍,脚踏实地,温故知新,每次学习都会有新的收获。
离开了大学的课堂,但还好现在有琳琅满目的网络公开课课程。我选择学习的是网上颇受赞赏的MIT "Introdution to Linear Algebra"课程,由Gilbert Strang主讲。参考书目为Strang编写的《Introduction to Linear Algebra》4th edition。目前为止,我觉得这门课给我提供了不少新的有趣的思路,是我之前学习线性代数的时候没有思考过的,值得一学。
————————————————————————————————————————————————————————————————
本文涉及的内容是课程视频中的14至17课,对应书本中的第四章 Orthogonality。顾名思义,本章主要讲的是“正交性”,而正交性的作用会体现在“投影”(Projection)当中,而投影的作用则是为了解决线性方程组 Ax=b 无解情况下的问题。加上本章的学习,我们就对 Ax=b 有了全面的认识。本文分以下三点进行介绍:
- 正交性:包括向量的正交、子空间的正交;
- 投影:从1维、3维投影出发,寻求Ax=b无解情况下的解法,即最小二乘法;
- 矩阵的正交化:Gram-Schmidt 方法。
以下逐一道来。
1、正交性
- 向量正交:如果两个向量的内积为零,则两个向量正交,即。
- 子空间正交:给定两个子空间S、T,若S中的所有向量与T中的所有向量都正交,则称子空间S和T正交。
- 正交补(Orthogonal complement):子空间V的正交补是一个包含了所有与V正交的向量的子空间,记作。
这一小节的核心是要说明上一章提到的4个基本子空间的正交关系:
矩阵A的零空间是其行空间的正交补,即 (in ) 。
矩阵A的左零空间是其列空间的正交补,即 (in )。
首先我们来说明正交性:为什么。
由于是矩阵A的零空间,我们有 Ax=0,即:
可见x与行向量的内积都是0,因此它与所有行向量的线性组合都是正交的,得证。