机器学习数学知识积累之线性代数解析几何,微积分 (8)

一个矩阵和他本身的转置矩阵乘积必然是一个对称矩阵$A^TA = (A^TA)^T$,正如下面的图示。这一个重要性质在比如协方差矩阵PCA降维时非常有用!

机器学习数学知识积累之线性代数解析几何,微积分

假如给定一个数据集:$$X = (X_1,X_2,...,X_n)^T, X_i=(X_{i1},X_{i2},..,X_{im})$$

我们对m个特征数据列分别做数据中心化,使得特征随机变量均值为0,则有

$$C=X^TX=\sum_{i=1}^{n} X_i^TX_i$$

矩阵$C$为数据集$X$的协方差矩阵,是一个实对称矩阵!

协方差矩阵(实对称矩阵)的特征值分解

$$C=X^TX = Q\Sigma Q^T$$

其中$Q$为$C$矩阵的特征向量,互相正交,$\Sigma$则是其特征值组成的对角矩阵。 PCA降维时就是找到对应最大特征值对应的特征向量

PCA降维核心思想

机器学习数学知识积累之线性代数解析几何,微积分

W为pxd矩阵,p为降维的目标维数,W由$X^TX$协方差矩阵的前p个最大特征值对应的特征向量组成的矩阵。由于特征向量反映了矩阵数据变化最快的方向,而这里协方差矩阵的数据意义为数据方差,因此也代表着数据方差变化最快的方向,也就是最能反映数据特征的方向,这就是PCA降维的几何解释

对称矩阵:$A=A^T$:

实对称矩阵的特征值都是实数

实对称矩阵的任一特征值都有一个实特征向量

实对称矩阵不同特征值的实特征向量互相正交

实对称矩阵一定可以相似对角化

机器学习数学知识积累之线性代数解析几何,微积分

反对称矩阵:$A=-A^T$

可逆矩阵

设A为n阶方阵,若存在n阶方阵B,使得:$AB = BA = E_n$,则称$A$是可逆矩阵,$B为A$的可逆矩阵,记为$B=A^{-1}$

逆矩阵的几何意义就是将图形变回原来的样子

机器学习数学知识积累之线性代数解析几何,微积分

可逆矩阵的性质:

如果A可逆,则其A的拟矩阵是唯一的。

如果A可逆,则A的逆矩阵也是可逆的$(A^{-1})^{-1} = A$

如果A,B都是n阶可逆矩阵,则$(AB)^{-1} = B^{-1}A^{-1}$ :乘积的逆等于反序后逆阵的乘积

$(kA)^{-1} = k^{-1}A^{-1}$

$(A\')^{-1} = (A^{-1})\'$

$|A||A^{-1}| = 1$

可逆矩阵的判定: 伴随矩阵:

给定n阶方阵A,

$$A = \begin{pmatrix}a_{11} & a_{12} &..  & a_{1n}\\ a_{21} & a_{22} &..  & a_{2n}\\ a_{n1} & a_{n2} &..  & a_{nn}\end{pmatrix}$$

将矩阵A的第一行每一个元素$a_{ij}$对应的代数余子式当作新矩阵$A^{*}$的第一列,矩阵$A$的第二行每个元素对应的代数余子式当作新矩阵的第2列。。。最后形成的矩阵$A^{*}$我们称为$A$矩阵的伴随矩阵

$$A^{*} = \begin{pmatrix}A_{11} & A_{12} &..  & A_{1n}\\ A_{21} & A_{22} &..  & A_{2n}\\ A_{n1} & A_{n2} &..  & A_{nn}\end{pmatrix}$$

引理:

$$A^{*}A = AA^{*} = |A|E_n$$

可逆判定定理:n阶方阵$A$可逆的充分必要条件是:$det(A) = |A| \neq 0$

并且其逆矩阵可用以下方法计算:

$$A^{-1} = \frac{1}{|A|}A^{*}$$

由于矩阵代表着线性变换,矩阵可逆就是线性变换可以逆操作恢复,而如果行列式为0,则应用变换后就将损失相应的信息,我们可以直观想象直线无法逆转恢复平面

矩阵的初等变换

$$\begin{matrix}. & 行 & 列 \\ 换法 & r_i\leftrightarrow r_j & c_i\leftrightarrow c_j \\ 倍法& k \cdot r_i,k\neq 0 & k \cdot c_i,k\neq 0 \\消法 & r_j+k \cdot r_i,k\neq 0 & c_j+k \cdot c_i,k\neq 0\end{matrix}$$任何一个矩阵

任何一个矩阵通过初等行变换都能变换出一个行阶梯形

任何一个矩阵通过初等行变换都能形成行最简形

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