吴恩达机器学习(第三章)——线性代数回顾
第三章-线性代数回顾
文章目录
- 第三章-线性代数回顾
- 矩阵和向量
- 矩阵的加法
- 矩阵的乘法
- 矩阵标量乘法
- 矩阵向量乘法
- 矩阵乘法
- 矩阵乘法的性质
- 矩阵的逆、转置
矩阵和向量
矩阵(Matrix) 是一个按照长方阵列排列的复数或实数集合
矩阵的维数 是矩阵的行数×列数
矩阵元素(矩阵项):A=[1402191137182194914371471448]A=\left[ \begin{matrix} 1402 & 191 \\ 1371 & 821 \\ 949 & 1437 \\ 147 & 1448 \\\end{matrix} \right]A=⎣⎢⎢⎡1402137194914719182114371448⎦⎥⎥⎤
这个是4×2矩阵,即4行2列,如 m为行,n为列,那么 m×n 即4×2。当矩阵行数与列数相等(m=n)时我们称此矩阵为方阵。
AijA_{ij}Aij指第 i 行,第 j 列的元素,比如 A21A_{21}A21=1371
向量 是一种特殊的矩阵,它是一种只有一行或一列的矩阵,如: y=[460232315178]y=\left[ \begin{matrix} {460} \\ {232} \\ {315} \\ {178} \\\end{matrix} \right]y=⎣⎢⎢⎡460232315178⎦⎥⎥⎤ 为四维列向量(4×1)。
使用符号 yiy_{i}yi 来表示向量 yyy 中第 iii 个元素, 如:y2y_{2}y2=232
当然,矩阵和向量的下标也可以从0开始表示。比如1索引向量和0索引向量,一般我们用1索引向量。
y=[y1y2y3y4]y=\left[ \begin{matrix} {{y}_{1}} \\ {{y}_{2}} \\ {{y}_{3}} \\ {{y}_{4}} \\\end{matrix} \right]y=⎣⎢⎢⎡y1y2y3y4⎦⎥⎥⎤,y=[y0y1y2y3]y=\left[ \begin{matrix} {{y}_{0}} \\ {{y}_{1}} \\ {{y}_{2}} \\ {{y}_{3}} \\\end{matrix} \right]y=⎣⎢⎢⎡y0y1y2y3⎦⎥⎥⎤
通常在书写矩阵和向量时,我们使用大写字母来表示矩阵,用小写字母表示向量。
矩阵的加法
矩阵加法:两个相同m×n矩阵A和B的和,标记为A+B,一样是个m×n矩阵,其内的各元素为其相对应元素相加后的值。
矩阵减法与矩阵加法相类似
矩阵的乘法
矩阵标量乘法
标量乘法是通过常数因子来拉伸或收缩向量。具体做法是将矩阵中的所有元素逐一与标量相乘。
矩阵向量乘法
用 AAA 矩阵的第 iii 行元素分别乘以向量 yyy 中的元素,然后相加起来,得到一个新的矩阵元素。前提是 AAA 矩阵的列数与 yyy 向量的行数必须相等。
m×nm×nm×n 的矩阵乘以 n×1n×1n×1 的向量,得到的是 m×1m×1m×1 的向量。
[31729548]\left[ \begin{matrix} 3 & 1 \\ 7 & 2 \\ 9 & 5 \\ 4 & 8 \\\end{matrix} \right]⎣⎢⎢⎡37941258⎦⎥⎥⎤ × [52]\left[ \begin{matrix} 5 \\ 2 \\\end{matrix} \right][52] = [3×5+1×27×5+2×29×5+5×24×5+8×2]\left[ \begin{matrix} 3×5+1×2 \\ 7×5+2×2 \\ 9×5+5×2 \\ 4×5+8×2 \\\end{matrix} \right]⎣⎢⎢⎡3×5+1×27×5+2×29×5+5×24×5+8×2⎦⎥⎥⎤ = [17395536]\left[ \begin{matrix} 17 \\ 39 \\ 55 \\ 36 \\\end{matrix} \right]⎣⎢⎢⎡17395536⎦⎥⎥⎤
矩阵乘法
用 AAA 矩阵的第 iii 行元素乘以 BBB 矩阵的第 jjj 列元素,然后相加起来,得到一个新的矩阵元素 CijC_{ij}Cij。
m×nm×nm×n 矩阵乘以 n×rn×rn×r 矩阵,变成 m×rm×rm×r 矩阵。
矩阵乘法的性质
- 矩阵的乘法不满足交换律:A×B≠B×AA×B≠B×AA×B̸=B×A
- 矩阵的乘法满足结合律。即:A×(B×C)=(A×B)×CA×( B×C )=( A×B )×CA×(B×C)=(A×B)×C
- 单位矩阵 :从左上角到右下角的对角线(称为主对角线)上的元素均为1,其余元素全都为0的矩阵,一般用 III 或者 EEE 表示。对于任何矩阵,有 AI=IA=AAI=IA=AAI=IA=A
矩阵的逆、转置
矩阵的逆 :如矩阵AAA是一个m×mm×mm×m 矩阵(方阵),如果有逆矩阵,则:AA−1=A−1A=IA{{A}^{-1}}={{A}^{-1}}A=IAA−1=A−1A=I ,A−1A^{-1}A−1 为 AAA 的逆矩阵。实际上只有方阵才有逆矩阵。
矩阵的转置 :设 AAA 为 m×nm×nm×n 阶矩阵(即 mmm 行 nnn 列),定义 AAA 的转置为这样一个 n×mn×mn×m 阶矩阵 BBB ,BBB 的第 iii 行第 jjj 列元素是 AAA 的第 jjj 行第 iii 列元素,即 BijB_{ij}Bij = AjiA_{ji}Aji ,记做 AT=B{{A}^{T}}=BAT=B 。
直观来看,将 AAA 的所有元素绕着一条从第1行第1列元素出发的右下方45度的射线作镜面反转,即得到 AAA 的转置。
∣abcdef∣T=∣acebdf∣{{\left| \begin{matrix} a& b \\ c& d \\ e& f \\\end{matrix} \right|}^{T}}=\left|\begin{matrix} a& c & e \\ b& d & f \\\end{matrix} \right|∣∣∣∣∣∣acebdf∣∣∣∣∣∣T=∣∣∣∣abcdef∣∣∣∣
吴恩达机器学习(第三章)——线性代数回顾相关推荐
- 吴恩达机器学习第三章课堂笔记
3.1 矩阵和向量 矩阵就是数字组成的矩形阵列,并写在方括号内,也可以说是二维数组的另一种说法. 两行三列的矩阵,可以用花体 R 的 2*3表示.如果是单列的矩阵,如下图 我们可以称这个 y 是 四维 ...
- 吴恩达机器学习——第三周学习笔记
二元分类(Binary Classfication) 分类,一种方法是使用线性回归,将所有大于0.5的预测映射为1,将所有小于0.5的预测映射为0.然而,这种方法并不能很好地工作,因为分类实际上不是一 ...
- 吴恩达机器学习(第一章)——初识机器学习
第一章 初识机器学习 文章目录 第一章 初识机器学习 前言 机器学习定义 机器学习算法 监督学习 无监督学习 学习工具 前言 Machine Learning: Grewout of work in ...
- 吴恩达机器学习(第二章)——单变量线性回归
第二章-单变量线性回归 文章目录 第二章-单变量线性回归 模型描述 代价函数 梯度下降 梯度下降的思想 梯度下降算法的公式 梯度下降的运动方式 线性回归的梯度下降 模型描述 在监督学习中我们有一个数据 ...
- 吴恩达机器学习笔记——第一章
每学完一章都来写一篇博客,用来总结回顾和反思. 一.机器学习的一些简单应用 我们可以利用计算机实现基础的功能:例如计算A到B的最短路径. 但是 网页搜索.垃圾邮件的过滤.图片识别 等功能需要应用机器学 ...
- matlab版吴恩达机器学习第五章笔记
机器学习matlab操作基础 1.基本操作 2.移动数据 3.计算数据 4.绘图数据 5.控制语句:for,while,if语句 6.向量化 1.基本操作 参考视频: 5 - 1 - Basic Op ...
- 西瓜书+实战+吴恩达机器学习(三)机器学习基础(多分类、类别不平衡)
文章目录 0. 前言 1. 多分类学习 2. 类别不平衡 如果这篇文章对你有一点小小的帮助,请给个关注,点个赞喔,我会非常开心的~ 0. 前言 本篇介绍机器学习中的多分类和类别不平衡问题. 1. 多分 ...
- 吴恩达机器学习(三)—— Logisitic回归
文章目录 1. 分类问题 2. 假设表示 3. 决策边界 4. 代价函数 5. 梯度下降 6. 高级优化 7. 多类别分类 Logistic回归是一种广义的线性回归分析模型.它是一种分类方法,可以适用 ...
- 吴恩达机器学习第四章
4.1 多维特征 参考视频: 4 - 1 - Multiple Features (8 min).mkv 前几章,我们学习了单变量/特征的回归模型,现在我们对房价模型增加更多的特征, 例如房间数楼层等 ...
- 吴恩达机器学习笔记三之逻辑回归
本节目录: 分类问题 假说表示 判定边界 代价函数 高级优化 多类别分类 1.分类问题 在分类问题中,我们尝试预测的是结果是否属于某一个类(例如正确或错误).分类问 题的例子有:判断一封电子邮件是否是 ...
最新文章
- 集成学习(Ensemble Learning)
- python --闭包学习
- 笔记本中美化代码的方法
- 抓包软件:Charles
- Revit 2011 二次开发之Ribbon
- 同一工作组无法访问_工作组、AD、域、DC...
- c4d如何把文字贴在物体表面_一篇文章带你了解C4D布光技巧
- 新版Ubuntu安装日文输入法
- 随想录(从DO-178C和ARINC653想到的)
- php报表开发韩顺平,韩顺平从Html基础到php实战开发视频教程非常全面的一套PHP开发教程...
- 如何共享计算机磁盘,扩展群集共享磁盘的分区 - Windows Server | Microsoft Docs
- android错误详细教程四
- 三四线城市的O2O之路在哪
- 逻辑学学习.14 --- 谓词逻辑(六):数量量词和摹状词
- 解决:java.sql.SQLException: Access denied for user ‘‘@‘localhost‘ (using password: YES)
- 活水决策体系七:辩证思维之三大规律
- chrome设置主页打开为百度,免去每次都要输入网址
- 1到10所有数的立方
- python mongodb 随机抽取数据
- 逃离迷宫 c++ bfs(中南大学考研机试题
热门文章
- 身份验证——《跟我学Shiro》
- C++基础汇总(一)
- 平安科技:传入一个只包含1-9的数字字符串,输出的是包含所有数字的最小整数
- vue后端框架mysql_springboot + vue 前后端结合·数据库查询
- 删除binlog mysql_mysql中删除binlog的方法?mysql中如何删除binlog?
- android水平滚动条,Android使用HorizontalScrollView实现水平滚动
- ensp启动设备蓝屏_为什么早期的Windows经常死机蓝屏,现在却很少发生?这些你都知道吗?...
- 苹果原壁纸高清_苹果壁纸 | 高清图片全面屏壁纸
- 华为鸿蒙系统2019年秋季上市,华为鸿蒙系统秋季上市?或许真的要提前了,最快可能下个月发布...
- Graphviz:利用可视化工具Graphviz将dot数据进行图像可视化或者图像保存(两大方法)之详细攻略