範數
定義:是一個描述線性空間的度量,可以理解爲二維空間的長度。
如||x1-x2||表示向量x1,x2之間的距離。
*Frobenius範數:機器學習常用範數。 即:矩陣所有元素先取平方和,再開平方。
特徵分解
特徵值:滿足公式: ,其中 λ 爲特徵值,x爲A的對應於λ的特徵向量。
特徵分解:公式: ,其中,P是A所有特徵向量展開組成的矩陣。
原理:AP=P×diag(...λi...),展開可得。
正交分解
正交矩陣:,即:
標準正交基:n個n維向量: 中,若i=j,;若i≠j,,則該向量組稱爲一組標準正交基。即:與自己作內積等於1(平行),與其他向量作內積等於0(垂直)。
正交矩陣性質:
①正交矩陣列向量是一組標準正交基。
②若A是一個正交矩陣, 是一組標準正交基,則也是一組標準正交基。
③正交變換幾何意義:對直角座標系做旋轉變換。即:存在正交矩陣A,使得原來座標爲x=(x1,x2,...xn)的向量在新座標系(旋轉後)下的座標爲y=Ax。
正交分解:,其中P爲正交矩陣。
求法:施密特正交化
幾何意義:將一般二次曲線經過座標旋轉將其主軸轉到座標軸上。
SVD(奇異值分解)
對於非退化方陣(r=n):,P,Q爲是正交矩陣。
對於一般矩陣(m×n):,其中U爲m階正交矩陣,V爲n階正交矩陣,左上角爲 ,r爲矩陣A的秩。
僞逆
僞逆:與矩陣的逆作用相似,每個矩陣都有僞逆。
對於不相容線性方程組的解(即Ax=b無解):
存在x0,對任意x,都有,則稱x0爲方程組最小二乘解。對於所有x0,取長度 (範數)最小者,成爲最佳最小二乘解。
定理:①對矩陣A求SVD:,僞逆爲:。其中, 爲將取倒數後整 體轉置。
②對於m×n矩陣,Ax=b的最佳最小二乘解爲。
由這兩條定理,即可求一般矩陣Ax=b的最佳最小二乘解。
PCA(主成分分析)
這部分內容貼出課件,具體學到在深究。