【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(1):集合与映射
目录
- 前言
- 1.1 集合与映射
- 平凡子集合
- 和集
- 映射
- 满射
- 单射
- 一一映射
- 举例
- 例 - 1
- 例 - 2
- 例 - 3
- 结语
前言
Hello!小伙伴!
非常感谢您阅读海轰的文章,倘若文中有错误的地方,欢迎您指出~
自我介绍 ଘ(੭ˊᵕˋ)੭
昵称:海轰
标签:程序猿|C++选手|学生
简介:因C语言结识编程,随后转入计算机专业,有幸拿过一些国奖、省奖…已保研。目前正在学习C++/Linux/Python
学习经验:扎实基础 + 多做笔记 + 多敲代码 + 多思考 + 学好英语!
机器学习小白阶段
文章仅作为自己的学习笔记 用于知识体系建立以及复习
知其然 知其所以然!
1.1 集合与映射
平凡子集合
一个集合的空集(ϕ\phiϕ)和它自身称为这个集合的平凡子集合
除了平凡子集合外,其他子集称为真子集
和集
集合 AAA 和集合 BBB,A+BA+BA+B 即为集合AAA和BBB的和集,有
A+B={a+b|a∈A,b∈B}A+B=\{ a + b |a \in A, b \in B \}A+B={a+b|a∈A,b∈B}
例如: A={1,2,3}B={2,3,4}A = \{ 1, 2, 3 \} \quad B = \{ 2, 3, 4 \}A={1,2,3}B={2,3,4}
则:A+B={1,2,3}+{2,3,4}={3,4,5,6,7}A + B = \{ 1, 2, 3 \} + \{ 2, 3, 4 \} = \{ 3, 4, 5, 6, 7 \}A+B={1,2,3}+{2,3,4}={3,4,5,6,7}
映射
设XXX与YYY是两个集合,XXX到YYY的映射(或映照)是指一个法则(规则)σ\sigmaσ
σ\sigmaσ使得XXX中的每一个元素xxx都有YYY中惟一确定的元素yyy与之对应,记为
σ:X→Yσ(x)=y或x→y(=σ(x))\sigma:X \rightarrow Y \quad \sigma(x) = y \quad或 \quad x \rightarrow y(=\sigma(x))σ:X→Yσ(x)=y或x→y(=σ(x))
yyy称为xxx在映射σ\sigmaσ下的像,xxx称为yyy在映射σ\sigmaσ下的源像(像源)
映射可以分为:
- 满射
- 单射
- 一一映射
满射
设σ\sigmaσ是XXX到YYY的一个映射,若对YYY中每一个元yyy,都有XXX中对元xxx与之对应,即σ(x)=y\sigma(x) = yσ(x)=y,称为σ\sigmaσ是满映射(满射)
每一个yyy必定有一个xxx与之对应
单射
设σ\sigmaσ是XXX到YYY的一个映射,若对任意的x1,x2∈Xx_1,x_2 \in Xx1,x2∈X,当x1≠x2x_1 \neq x_2x1=x2时,有σ(x1)≠σ(x2)\sigma(x_1) \neq \sigma(x_2)σ(x1)=σ(x2),称σ\sigmaσ是单映射(单射)
一个xxx只与一个yyy对应
一一映射
若σ\sigmaσ既是单射又是满射,则称σ\sigmaσ是一一映射
举例
例 - 1
AAA是数域KKK上全体 nnn阶方阵的集合,定义
σ1(X)=detX,X∈A\sigma_1(X) = det X, X \in Aσ1(X)=detX,X∈A
则有
σ1:A→K\sigma_1: A \rightarrow Kσ1:A→K
即σ1\sigma_1σ1是AAA到KKK的一个映射
det 用于求一个方阵的行列式
比如
A=∣1234∣A = \begin{vmatrix} 1 & 2\\ 3 & 4\\ \end{vmatrix}A=∣∣∣∣1324∣∣∣∣
det A = 1*4 - 2 * 3 = 4 - 6 = -2
这道题可以理解为
输入一个X 其中X∈AX \in AX∈A
经过det运算(σ(X)\sigma_(X)σ(X))
得到一个数值 该数值属于数域K
所以映射关系为
σ1:A→K\sigma_1: A \rightarrow Kσ1:A→K
箭头左边可以理解为 输入一个值所属于的一个集合(或数域)
箭头右边可以理解为 输出结果所属的一个集合或数域
例 - 2
如果定义
σ2=kE,k∈K\sigma_2 = k E, k \in Kσ2=kE,k∈K
EEE是nnn阶单位矩阵,则映射关系为
σ2:K→A\sigma_2:K \rightarrow Aσ2:K→A
EEE是恒定不变的 每次输入/改变的其实是kkk值
因为k∈Kk \in Kk∈K 所以箭头左边为KKK
通过运算kEkEkE后,得到一个nnn阶矩阵 ,对角线为kkk,也还是属于AAA
所以箭头右边为A
例 - 3
令PnP_nPn表示所有次数不超过nnn的实系数多项式集合,定义
σ(f(t))=f′(t)f(t)∈Pn\sigma(f(t)) = f^{'}(t) \quad f(t) \in P_nσ(f(t))=f′(t)f(t)∈Pn
其中,σ\sigmaσ是PnP_nPn到Pn−1P_{n-1}Pn−1的一个映射
PnP_nPn的意思其实就是一个多项式中,最高次不超过nnn
σ\sigmaσ运算本质就是对其进行求一次导
那么最高次不超过nnn次的多项式 求导后 最高次一定不超过n−1n-1n−1次
所以 σ(f(t))=f′(t)f(t)∈Pn\sigma(f(t)) = f^{'}(t) \quad f(t) \in P_nσ(f(t))=f′(t)f(t)∈Pn 最后的结果就是 Pn−1P_{n-1}Pn−1
故映射关系就是 Pn→Pn−1P_n \rightarrow P_{n-1}Pn→Pn−1
结语
说明:
- 参考于 课本《矩阵理论及其应用》
- 配合书中概念讲解 结合了自己的一些理解及思考
文章仅作为学习笔记,记录从0到1的一个过程
希望对您有一点点帮助,如有错误欢迎小伙伴指正
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(1):集合与映射相关推荐
- 【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(14):向量范数及其性质
目录 前言 往期文章 4.1 向量范数及其性质 4.1.1 向量范数的概念及P-范数 定义4.1 例1 向量的几种范数 4.1.2 n n n维线性空间 V V V上的向量范数等价性 定理4.1.1 ...
- 【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(25):幂级数(补充知识)
目录 前言 往期文章 幂级数 一.函数项级数的概念 定义:(函数项)无穷级数 幂级数及其收敛性 幂级数 定理1(阿贝尔定理) 推论 定理2 结语 前言 Hello!小伙伴! 非常感谢您阅读海轰的文章, ...
- 【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(17):函数矩阵的微分和积分
目录 前言 往期文章 5.2 函数矩阵的微分和积分 5.2.1 函数矩阵对自变量的微分和积分 定义5.3:函数矩阵 定义5.4:函数矩阵的微分 单元函数矩阵的一些性质 例1 定义5.5 函数矩阵的积分 ...
- 【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(8):标准正交基与Gram-Schmidt过程
目录 前言 往期文章 2.2 标准正交基与Gram-Schmidt过程 2.2.1 标准正交基 定义2.4 定理2.2.1 定义2.5 2.2.2 求标准正交基的Schmide方法 定理2.2.2 举 ...
- 【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(23):常数项级数的概念和性质(补充知识)
目录 前言 往期文章 常数项级数的概念和性质 一.常数项级数的概念 常数项无穷级数 定义:收敛与发散 例题 二.收敛级数的基本性质 性质1 性质2 性质3 性质4 性质5(级数收敛的必要条件) 三.柯 ...
- 【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(13):Hamliton-Cayley定理、最小多项式
目录 前言 往期文章 3.4 Hamliton-Cayley定理.最小多项式 定义3.19 Hamliton-Cayley定理 定义3.20 定理3.4.1 定理3.4.2 定理3.4.3 定理3.4 ...
- 【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(6):子空间的交与和
目录 前言 往期文章 1.6 子空间的交与和 1.6.1 子空间的交 定理1.6.1 1.6.2 子空间的和 定义1.8 定理1.6 .2 结语 前言 Hello!小伙伴! 非常感谢您阅读海轰的文章, ...
- 【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(11):线性变换的矩阵表示
目录 前言 往期文章 3.2 线性变换的矩阵表示 定义3.7 命题 定理3.2.1 结语 前言 Hello!小伙伴! 非常感谢您阅读海轰的文章,倘若文中有错误的地方,欢迎您指出- 自我介绍 ଘ(੭ ...
- 【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(24):常数项级数的审敛法(补充知识)
目录 前言 往期文章 常数项级数的审敛法 一.正项级数及其审敛法 定义:正项级数 定理1 定理2(比较审敛法) 推论 定理3 (比较审敛法的极限形式) 定理4(比值审敛法,达朗贝尔判别法) 定理5(比 ...
最新文章
- 在Eclipse中使用Maven构建Spring项目
- SQL Server故障排除圣经
- 对数学本质特征的若干认识
- k8s 通用的java项目迁移流程
- 极光无限渗透测试面经_认识工业以太网及线缆测试
- 黔东南天气预报软件测试,黔东南天气预报15天
- 【注意力机制】SENet(Squeeze-and-Excitation Networks)详解
- ScrollView如何判断滑动到底部以及getHeight()方法与getMeasuredHeight()方法的一些理解
- js小游戏---扫雷
- 为什么chrome视频时卡得厉害(by quqi99)
- 月薪30k的PHP架构师的成长路线图1.0!
- 腾讯云白piao指南
- 控制器c语言编程,如何用C语言对DMA控制器编程 - 全文
- java新手初次面试要注意的事项
- centos8 安装kvm
- 飞上天和太阳肩并肩中国人这项太阳能开发技术牛大发了
- 第四届vex机器人亚洲锦标赛_2019第十三届VEX亚洲机器人锦标赛在韩国开赛
- 2018年度,产品经理/Axure教学视频黑马
- 路漫漫其修远兮,知行合一
- RAID5和RAID1的区别
热门文章
- 网络安全系列-四十一: arkime的docker-compose安装及可视化pcap文件示例
- 7-8 九连环问题(c++解决)
- html特效页面(1)--黑客帝国代码雨
- super关键字的含义
- 队列的基本操作(C语言实现)
- scipy库导入子模块DLL load failed的一个解决案例
- java错误: 编码 GBK 的不可映射字符 (0x9C)
- STM32移植LWIP网线热插入网络不通的解决办法
- 解决Ubuntu19.04英伟达(NVIDIA)显卡驱动安装问题
- [iOS开发]iOS中的相关锁