本笔记内容主要来源于45分钟线性代数通俗讲解。 非常感谢楼主的分享。 这里我补充了一些自己的理解,并结合自己所学的知识。
基本概念
数据的维度:即数据包含的参数个数,描述一个对象所需的参数个数。 这样一组数据就构成了一个多维数据,比如空间坐标(1,2)、空间向量[1,2,3]。
对线性的理解:线性是均匀分布,对于加法有意义,比如数轴上的数字。 线性函数的特点是输入值均匀排列,输出值均匀排列。 在线性代数中,线性函数是线性映射。 输入和输出在同一域的向量空间中保持向量加法和标量乘法。 在线性代数中,线性变换处理的输入和输出数据维度是任意的(与初级代数最明显的区别)。
从线性生成的角度来看,空间中的每个值都是由一个单位向量(基向量)拉伸的,一维空间中只有一个单位向量。 线性函数的职责只是告诉我们输出空间的基向量是什么。 在输入向量到输出向量的线性变化中,它和基向量的关系没有改变,只有基向量发生变化。
例如:在二维坐标空间中,基向量为i=[1,0]和j=[0,1],假设输入向量为a=[1,2],则实际值为a=得到1*i+2* j,经过y=2x变换后,输出向量为b=[2,4],但实际上基向量变成了i=[2,0]和j=[0,2],而b与基向量不同,向量之间的关系没有改变。 其实还是b=1*i+2*j=a,只是基向量变了。
接下来我们看一下三种拉伸变换:
拉伸标准基向量以获得特定向量。 确定向量与基之间的关系。
二
拉伸整个输入空间
获取特定的输出空间
即,指示基向量的变换的线性函数,使得向量与基向量之间的关系保持不变。
三
拉伸向量
得到这个向量的线性组合
将单个向量线性组合得到的所有向量称为该向量的跨度。
这里,0向量的各种拉伸结果仍然为零,因此0向量的跨度空间仍然为0。
线性组合和跨度空间经常用于多维空间。
描述线性函数的四种方法:
理解线性变换的过程
以下是二维空间线性变换的过程:
一维空间中,线性变换表达式为 y=kx+b
可见,在二维空间中情况类似。 在二维空间中,线性变换表达式的自变量变成二维数据,自变量前面的矩阵代表两个基向量的变化。
在任意维空间:
n个线性无关的n维向量的线性组合可以扩展到n维空间
如果一个n维空间经过线性变换后仍然是一个n维空间,那么这个线性变换就是满秩变换。
功能和转换:
函数()分为变换()和映射()两种形式,但映射关系在线性代数中并不明显。
线性函数还可以映射不同维度的空间,如下:
复合功能
多次线性变换可以通过矩阵相乘得到最终的变换结果。 矩阵乘法的原理与复合函数算法类似。 操作顺序不能互换。 同时遵循左行右列定理。
行列式和特征值
行列式可以理解为线性变换前后单位面积与体积的比值。
当行列式的值为0时,表示变换后的空间体积为0。此时向量之间必然存在线性相关性,高维空间被压缩为低维空间。
在线性变换中,大多数向量都会旋转。 求变换时不经过旋转变换的向量就是线性变换的特征向量,特征向量的拉伸值就是线性变化的特征值。 公式如下:
Av=λv
式中,A表示线性变换矩阵,v为所需的特征向量,λ表示常数,这里表示线性变换的特征值,λv为乘法变换或展开变换。
该公式通常通过应用以下变换来运算。
A v - (λ E) v = 0
(A - λE) v = 0 将向量 v 变为 0 向量。 向量v只能通过线性变换(A - λE)压缩到低维空间
即 det (A - λE) = 0。这里使用了行列式性质。
两个向量的投影
向量 [def] 投影到 [abc]
结论
(摘录一些感人的话语)
现实生活中,人类能够感知的信息仍然有很多属于非线性关系,比如人们对声音的感受,人们对亮度的感受等等。但是,我们可以将非线性信息转化为线性信息。信息通过一定的处理方法,将乘法的信息转化为对加法有意义的形式,从而转化为我们理解的形式。 也就是说,每个人都能理解的信息可以用线性形式来写。
我们所学的一切数学知识都是基于公理(人们认为正确的真理)推导出来的一套计算工具。 虽然它们不是世界的全部,但这些计算工具可以帮助我们解决现实生活中的问题。 ,并可以帮助我们探索未知。