机器学习数学知识积累之线性代数解析几何,微积分

解析几何的基本思想是用代数的方法来研究几何,把空间的几何结构系统地代数化,数量化

向量的定义

一个有长度和方向的矢量,和标量(scalar)相对应

向量的大小(有向线段的长度)称为向量的模 $|\vec{a}|$

长度为1的向量称为单位向量

向量的平行(共线),共面和垂直

向量共线平行的充分必要条件是:存在一个标量$ \lambda $ 使得以下成立: $$\vec{a} =  \lambda  \vec{b}$$

向量共面的充分必要条件是:a,b,c之间存在线性变换关系使得以下成立:$$\vec{c} = \lambda \vec{b}+ \eta \vec{a}$$

向量垂直的充分必要条件是:$$\vec{a} \cdot  \vec{b} = 0$$

向量的线性运算

加法:三角形法则,平行四边形法则,多边形法则(多个向量尾首相连,最终A的起点到Z的终点连接起来即为所有这些向量的和)

减法

数乘:只改变向量长度,方向一致或相反(随这个数据正负而定)

向量加减法几何示意图

机器学习数学知识积累之线性代数解析几何,微积分

向量的代数表示

把空间中所有的向量的尾部都拉到坐标原点,这样N维点空间可以与N维向量空间建立一一对应关系:N维点空间中点(0,0,0…0)取作原点,那么每一个点都可以让一个向量和它对应,这个向量就是从坐标原点出发到这个点为止的向量。 

向量在轴上的投影

$C\'和D‘$分别称为点$C,D$在轴u上的投影,向量$\vec{CD}$在轴u上的投影为C,D两点在u轴上的投影点$C\',D\'$组成的有向线段$\vec{C\'D\'}$的值,其绝对值等于向量$|\vec{C\'D\'}|$,其正负的符号由$\vec{C\'D\'}$的方向决定,当$\vec{C\'D\'}和u$轴同方向时值为正,反方向时值为负。记为$Prj_u\vec{CD}$

机器学习数学知识积累之线性代数解析几何,微积分

投影定理:

向量$\vec{CD}$在轴u上的投影等于向量的模乘以轴与向量的夹角的余弦:

$$Prj_u\vec{CD}=|\vec{CD}|cos(\varphi )$$

性质定理:

n个向量的和在轴上的投影等于两个向量在该轴上的投影之和.

$$Prj_u(a_1+a_2+..+a_n) = Prj_ua_1+Prj_ua_2+...+Prj_ua_n$$

向量的内积(数量积,点乘)和外积

内积:两个向量的内积或者叫点乘结果是一个标量,其值等于a,b的模乘以其夹角的cos值。

$\overrightarrow{a} \cdot \overrightarrow{b}=|\overrightarrow{a}||\overrightarrow{b}|cos(\overrightarrow{a},\overrightarrow{b})=|\vec{b}|Prj_b\vec{a} = |\vec{a}| Prj_a\vec{b}$

如果使用平面直角坐标系来表示,则可以根据点乘的性质推导出来点乘结果等于坐标分别相乘后相加,这一点非常重要,实际上指明了点乘几何意义和代数算式之间的关联方式。

$\overrightarrow{a} \cdot \overrightarrow{b}= x_1x_2+y_1y_2+z_1z_2$

机器学习数学知识积累之线性代数解析几何,微积分

特别地,$$|\vec{a}| = \sqrt{\vec{a} \cdot \vec{a}} = \sqrt {a_x^{2}+a_y^{2}+a_z^{2}}$$

$$|\vec{AB}| = \sqrt{\vec{AB} \cdot \vec{AB}} = \sqrt {(A_x-B_x)^{2}+(A_y-B_y)^{2}+(A_z-B_z)^{2}}$$

内积的性质

$$a \cdot b = b \cdot a, (a+b) \cdot c = a \cdot c + b \cdot c, (ka) \cdot b = k (a \cdot b), a \cdot (kb+lc) = k(a \cdot b) + l(a \cdot c)$$

向量内积的几何意义

$\vec{u} \cdot \vec{v}$ 在几何上就是向量$\vec(u)$向向量$\vec{v}$做投影后再乘以$\vec{v}$的长度,就是一个向量在另一个向量上的投影d的积,也就是同方向的积

机器学习数学知识积累之线性代数解析几何,微积分

实际上上面向量内积几何意义反过来可以用来计算投影d: $ d = \frac{\vec{u} \cdot \vec{v}}{|\vec{v}|} $

机器学习数学知识积累之线性代数解析几何,微积分

向量模计算及性质

对于起始于原点(0,0)的单点向量$\vec{OA}$,其计算公式为:

$$|\vec{a}| = |\vec{OA}| =  \sqrt{ \vec{a} \cdot \vec{a} } = \sqrt{x_A^{2}+y_A^{2}+...+z_A^{2}}$$

对于由空间两点A和B组成的向量,则需要先做对应坐标相减,再按照起始于原点的向量模计算公式来计算

$$|\vec{AB}| = \sqrt {\vec{AB} \cdot \vec{AB}} = |\vec{OA} - \vec{OB}| = |\vec{OC}| = \sqrt{(x_a-x_b)^{2}+(y_a-y_b)^{2}+...+(z_a-z_b)^{2}}$$

其中$C$点的坐标为$(x_A-x_B,y_A-y_B,z_A-z_B)$ (也可以简单地说$\vec{AB}$的坐标),也就是说向量$\vec{c} = \vec{OC}$ 是由自由变量$\vec{AB}$变换为经过欧式空间原点的单点向量$\vec{c}$,这样就好计算其模了

$$|k \vec{a}| = |k| |\vec{a}|$$

三角不等式

$$||\vec{a}| - |\vec{b}| |\leqslant | \vec{a} - \vec{b} |\leqslant | \vec{a}|+|\vec{b}|$$

$$||\vec{a}| - |\vec{b}| |\leqslant | \vec{a} + \vec{b} |\leqslant | \vec{a}|+|\vec{b}|$$

柯西-施瓦茨不等式

$$|\vec{a} \cdot \vec{b}| \leq |\vec{a}||\vec{b}|$$

向量的夹角

$$\theta = arccos\frac{\vec{a} \cdot \vec{b}}{ |\vec{a}||\vec{b}|}$$

向量正交

如果向量a和b垂直,那么a和b的内积为0,这时称两个向量a,b是正交的。

向量的叉乘(外积,向量积)

内容版权声明:除非注明,否则皆为本站原创文章。

转载注明出处:https://www.heiqu.com/zzwxgz.html