数学表达式基础——2 集合、向量与矩阵

1 集合

1.1 集合的表示方法

类型	符号表示举例	文字	说明
枚举法	1) A = { 0 , 1 , 2 , 3 , 4 , 5 , 6 , 7 , 8 , 9 } \mathbf{A} = \{ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9\} A={0,1,2,3,4,5,6,7,8,9}是阿拉伯数字的集合 2 ) N = { 0 , 1 , 2 , … , } 2) \mathbf{N} = \{0, 1, 2, \dots,\} 2)N={0,1,2,…,}是自然数的集合 3 ) Ω = { a , b , … , z } 3) \mathbf{\Omega} = \{\textrm{a}, \textrm{b}, \dots, \textrm{z}\} 3)Ω={a,b,…,z}是英文字母表	1) \mathbf{A} = { 0, 1, 2, 3, 4, 5, 6, 7, 8, 9} 2) \mathbf{N} = {0, 1, 2, \dots,} 3) mathbf{\Omega} = {\textrm{a}, \textrm{b}, \dots, \textrm{z}}	易错的三个坑： 1) 逗号前无空格，逗号后有空格； 2) 集合要用加粗； 3) 集合用{ }，且元素无序
枚举的简记法	1) 两个整数间的枚举集合： [ 1..10 ] = { 1 , 2 , … , 10 } [1 ..10] = \{1, 2, \dots, 10\} [1..10]={1,2,…,10} 2) 区间：（3, 5）[3,5) … 3) X = { x i } i = 1 n = { x 1 , … , x n } \mathbf{X} = \{ x_i\}_{i=1}^n = \{ x_1, \dots, x_n\} X={xi​}i=1n​={x1​,…,xn​}	1) [1. .10] = {1, 2, \dots, 10} 2)（3, 5）[3,5) 3) \mathbf{X} = { x_i}_{i=1}^n = {x_1, \dots, x_n}
谓词法	奇数的集合： O = { x ∣ x ∈ N , x m o d    2 = 1 } \mathbf{O} = \{ x \vert x \in \mathbf{N}, x \mod 2 = 1\} O={x∣x∈N,xmod2=1} 或 O = { x ∈ N ∣ x m o d    2 = 1 } \mathbf{O} = \{ x \in \mathbf{N} \vert x \mod 2 = 1\} O={x∈N∣xmod2=1}	1) mathbf{O} = { x \vert x \in \mathbf{N}, x \mod 2 = 1} 2) \mathbf{O} = { x \in \mathbf{N} \vert x \mod 2 = 1}	第2种写法，通常把基本的限制写在左边，但是只能写一个条件

1. 2 常用的集合

类型	符号	文字	说明
实数	$\mathbb{R}(常用，推荐）$ $\mathcal{R}$（可以接受）	\mathbb{R} \mathcal{R}	$\mathbb{R}$是实数专用，不能另做他用
空集	$\varnothing$	\emptyset	$\varphi$（\phi）是错误的表达
全集	$\mathbf{U}$	\mathbf{U}

1.3 元素与子集

类型	符号	文字	说明
元素	$x\in \mathbf{X}$	x \in \mathbf{X}	元素$x$与集合$\mathbf{X}$的关系
子集	$\mathbf{A}\subset \mathbf{B}$	\mathbf{A} \subset \mathbf{B}	集合A与集合B的关系
子集	$\mathbf{A}\subseteq \mathbf{B}$	\mathbf{A} \subseteq \mathbf{B}	集合A与集合B的关系

1.4 集合运算

运算类型	符号	文字	说明
基	$|\mathbf{X}|$	\vert \mathbf{X} \vert	集合$\mathbf{X}$中元素的个数 $|\varnothing |=0$
并	1) $\mathbf{X}\cup \mathbf{Y}$ 2) ${\bigcup }_{i=1}^n{\mathbf{X}}_i$	1) \mathbf{X} \cup \mathbf{Y} 2) \bigcup_{i=1}^n \mathbf{X}_i	1) 两个集合并 2) n个集合并
交	1) $\mathbf{X}\cap \mathbf{Y}$ 2) ${\bigcap }_{i=1}^n{\mathbf{X}}_i$	1) \mathbf{X} \cap \mathbf{Y} 2) \bigcap_{i=1}^n \mathbf{X}_i	1) 两个集合并交 2) n个集合交
差	$\mathbf{X}\setminus \mathbf{Y}$	\mathbf{X} \setminus \mathbf{Y}	两个集合差
补	$\overline{\mathbf{X}}=\mathbf{U}\setminus \mathbf{X}$	\overline{\mathbf{X}} = \mathbf{U} \setminus \mathbf{X}	全集$\mathbf{U}$ 有人用$\neg \mathbf{X}$ 可以接受，但不建议
幂集	2 A = { B ∣ B ⊆ A } 2^\mathbf{A} = \{ \mathbf{B} \vert \mathbf{B} \subseteq \mathbf{A}\} 2A={B∣B⊆A}	2^\mathbf{A} = { \mathbf{B} \vert \mathbf{B} \subseteq \mathbf{A}}	例如： A = { 0 , 1 , 2 } \mathbf{A} = \{0, 1, 2\} A={0,1,2}，则： 1） 2 A = { ∅ , { 0 } , { 1 } , { 2 } , { 0 , 1 } , { 0 , 2 } , { 1 , 2 } , { 0 , 1 , 2 } } 2^\mathbf{A} = \{\emptyset, \{0\}, \{1\}, \{2\}, \{0, 1\}, \{0, 2\}, \{1, 2\}, \{0, 1, 2\}\} 2A={∅,{0},{1},{2},{0,1},{0,2},{1,2},{0,1,2}} 2） $|2^{\mathbf{A}}|=2^{|\mathbf{A}}|=2^3=8$ 3）$\mathbf{B}\subseteq \mathbf{A}$ 与 $\mathbf{B}\in 2^{\mathbf{A}}$等价
笛卡尔积	A × B = { ( a , b ) ∣ a ∈ A , b ∈ B } \mathbf{A} \times \mathbf{B} = \{(a, b) \vert a \in \mathbf{A}, b \in \mathbf{B}\} A×B={(a,b)∣a∈A,b∈B}	\mathbf{A} \times \mathbf{B} = {(a, b) \vert a \in \mathbf{A}, b \in \mathbf{B}}	$\mathbf{A}$和$\mathbf{B}$各出一个元素，组成一个新的元素对 $(a,b)\ne (b,a)$，所以 $\mathbf{A}\times \mathbf{B}\ne \mathbf{B}\times \mathbf{A}$ 对于有穷集合： $|\mathbf{A}\times \mathbf{B}|=|\mathbf{A}|\times |\mathbf{B}|$

2 簇

集合的集合称为簇，一般用\mathcal符号表示

运算类型	符号	文字	说明
簇	B = { B 1 , … , B N } \mathcal{B} = \{ \mathbf{B}_1, \dots, \mathbf{B}_N\} B={B1​,…,BN​}, where B i = { x i 1 , … , x i j } \mathbf{B}_i=\{ \mathbf{x}_{i1}, \dots, \mathbf{x}_{ij}\} Bi​={xi1​,…,xij​}	\mathcal{B} = { \mathbf{B}_1, \dots, \mathbf{B}N}, \mathbf{B}i={ \mathbf{x}{i1}, \dots, \mathbf{x}{ij}}	即${\mathbf{x}}_{ij}$是${\mathbf{B}}_i$中的一个向量，${\mathbf{B}}_i$是向量的集合，而$\mathcal{B}$是${\mathbf{B}}_i$的集合
簇的并运算	∪ B = ∪ { B 1 , … , B N } = ⋃ i = 1 N { B i } = B 1 ∪ B 2 ∪ ⋯ ∪ B N \cup \mathcal{B} =\cup \{ \mathbf{B}_1, \dots, \mathbf{B}_N\} =\bigcup_{i=1}^N\{B_i\} = \mathbf{B}_1\cup \mathbf{B}_2\cup\dots\cup \mathbf{B}_N ∪B=∪{B1​,…,BN​}=⋃i=1N​{Bi​}=B1​∪B2​∪⋯∪BN​	\cup \mathcal{B} =\cup { \mathbf{B}_1, \dots, \mathbf{B}N} =\bigcup{i=1}^N{B_i} = \mathbf{B}_1\cup \mathbf{B}_2\cup\dots\cup \mathbf{B}_N	即进行“解簇”运算，让所有集合并成了一个集合。

例1：

上式描述，${\mathbf{x}}_{ij}$属于标签为正的包${\mathbf{B}}_i$, 但是谓词法（\vert）标准用法是用于集合。
但如果这里加上括号，即： x i j ∈ { B i ∣ y i = + 1 } \mathbf{x}_{ij} \in \{\mathbf{B}_i \vert y_i=+1\} xij​∈{Bi​∣yi​=+1}，那么一个向量${\mathbf{x}}_{ij}$属于一个簇，则是不对的。
解决：
x i j ∈ ∪ { B i ∣ y i = + 1 } \mathbf{x}_{ij} \in \cup\{\mathbf{B}_i \vert y_i=+1\} xij​∈∪{Bi​∣yi​=+1}，这样就可以啦。

例2：

上式想表示${\mathbf{X}}_1^{\ast }$是一个${\mathbf{B}}_i$的一个并集，并且${\mathbf{B}}_i$是标签为-1的包，且属于$\mathcal{B}$。
但是，\vert这种表示，都是集合的谓词描述方法，那么，上式可以改写为：
X 1 ∗ = ⋃ { B i ∈ B ∣ y i = − 1 } \mathbf{X}_1^*=\bigcup \{\mathbf{B}_i \in \mathcal{B}\vert y_i=-1\} X1∗​=⋃{Bi​∈B∣yi​=−1}

3 向量

表示向量用（ ）或 [ ] ;
向量通常用小写加粗符号，如： \mathbf{x} \bm{x} \boldsymbol{x}

类型	符号表示	文字	说明
列向量	1) $\mathbf{x}\in {\mathbb{R}}^m$ 2) $\mathbf{x}=(x_1;x_2;\dots ;x_n)$, $x_i\in \mathbb{R}$	1) \mathbf{x} \in \mathbb{R}^m 2) \mathbf{x} = ( x_1; x_2; \dots; x_n)	m*1维空间的一个点
行向量	1) $\mathbf{x}\in {\mathbb{R}}^{1\ast m}$ 2) $\mathbf{x}=(x_1,x_2,\dots ,x_n)$, $x_i\in \mathbb{R}$	1) \mathbf{x} \in \mathbb{R}^{1*m} 2) \mathbf{x} = ( x_1, x_2, \dots, x_n)	1*m维空间的一个点
转置	$\mathbf{x}=(x_1,x_2,\dots ,x_n)$,则 ${\mathbf{x}}^{\mathrm{T}}=(x_1;x_2;\dots ;x_n)$	\mathbf{x}^{\mathrm{T}} = ( x_1; x_2; \dots; x_n)
内积（点积）	$\mathbf{a}\cdot \mathbf{b}=\mathbf{a}{\mathbf{b}}^{\mathrm{T}}={\sum }_{i=1}^n{a}_i{b}_i$	\mathbf{a} \cdot \mathbf{b} = \mathbf{a}\mathbf{b}^\mathrm{T} = \sum_{i=1}^n a_ib_i	机器学习里面，常用于求向量的加权和： $\mathbf{x}\cdot \mathbf{w}=\mathbf{x}{\mathbf{w}}^{\mathrm{T}}={\sum }_{i=1}^n{x}_i{w}_i$

4 矩阵

类型	符号表示	文字	说明
m行n列的矩阵	1) $\mathbf{X}\in {\mathbb{R}}^{m\times n}$ 2) $\mathbf{X}=[x_{ij}{]}_{m\times n}$, $x_{ij}\in \mathbb{R}$	1) \mathbf{X} \in \mathbb{R}^{m \times n} 2) \mathbf{X} = [x_{ij}]_{m \times n}	$m\times n$ 维空间的一个点
机器学习的特殊表示	X = { x i } i = 1 m = { x 1 , x 2 , … , x m } . \mathbf{X} = \{ \mathbf{x}_i\}_{i=1}^m = \{ \mathbf{x}_1, \mathbf{x}_2, \dots, \mathbf{x}_m\}. X={xi​}i=1m​={x1​,x2​,…,xm​}. 其中，${\mathbf{x}}_i=(x_{i1},x_{i2},\dots ,x_{in})$		描述的是，$\mathbf{X}$包括m个实例，每个示例用n个属性表示。$\mathbf{X}$是集合，后者是向量。 好处：方便表示实例和特征值的关系 缺点：$\mathbf{X}$不能参与矩阵运算 若实在需要，只能适当牺牲严谨性，做一些说明，如： in the following context, $\mathbf{X} is alos treated as $[{\mathbf{x}}_1,{\mathbf{x}}_2,\dots ,{\mathbf{x}}_n{]}^{\mathrm{T}}$ to surpport matrix operations.