线性代数基础（矩阵、范数、正交、特征值分解、奇异值分解、迹运算）

最新推荐文章于 2024-07-20 14:23:31 发布

I can丶

最新推荐文章于 2024-07-20 14:23:31 发布

阅读量5.9k

点赞数 6

分类专栏：应用数学基础文章标签：机器学习线性代数范数矩阵特征值分解

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/zhq9695/article/details/84061594

版权

目录

特征值分解

奇异值分解

Moore-Penrose 伪逆

如果这篇文章对你有一点小小的帮助，请给个关注喔~我会非常开心的~

基础概念

标量：一个标量就是一个单独的数字
向量：一个向量就是一列数字
矩阵：一个矩阵就是一个二维数组
张量：超过两维的数组，一个数组的元素分布在若干维坐标系中

矩阵转置

矩阵左上角到右下角的对角线被称作主对角线，以主对角线为轴的镜像称作矩阵的转置。

矩阵的转置表示为 A^T ：

$(A^T)_{i,j}=A_{j,i}$

(AB)^T=B^TA^T

对角矩阵

diag(v) 表示一个对角元素由向量中元素给定的对角矩阵。

对角矩阵除了主对角线上的元素外，其余元素都为零。

线性相关

一组向量的生成子空间，是原始向量线性组合后所能抵达的点的集合。

如果一组向量中，任意一个向量都不能表示成其他向量的线性组合，那么这组向量就是线性无关的。

如果一组向量中，存在一个向量可以表示成其他向量的线性组合，那么这种冗余被称为线性相关。

范数

范数可以衡量向量的大小，范数是将向量映射到非负值的函数， L^p 定义如下：

$\left\|x\right\|_p=(\sum_{i}\left|x_i\right|^p)^{\frac{1}{p}}$

L^2 的范数被称为欧几里得范数，平方

最低0.47元/天解锁文章

关注

6
点赞
踩
23

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。