Linear Algebra
Last updated on February 8, 2024
Basics
矩阵表示线性映射。
线性方程组 Ax = b
对任意向量 $\vec{b}$:
- 有唯一解:矩阵 A 可逆 (invertible),$x = A^{-1} \vec{b}$
- 无解:
矩阵 $A$ = ($\vec{u}$, $\vec{v}$, $\vec{w}$)
若 $A$ 可逆,则
- $\vec{u}$, $\vec{v}$, $\vec{w}$ 的全部线性组合是整个 3 维空间。
- 向量 $\vec{u}$, $\vec{v}$, $\vec{w}$ 线性无关 (linearly independent)。相应地,$Ax = \vec{0}$ 只有零解。
否则,$\vec{0}$ 可以写成 $\vec{u}$, $\vec{v}$, $\vec{w}$ 的多种线性组合。称矩阵 $A$ 奇异 (singular),向量 $\vec{u}$, $\vec{v}$, $\vec{w}$ 线性相关。
总结:
若方阵 $A$ 的列向量线性无关,则 $A$ 可逆,$Ax = \vec{0}$ 只有零解;
若方阵 $A$ 的列向量线性相关,则 $A$ 奇异,$Ax = \vec{0}$ 有无穷多解。
秩 (rank)
正交矩阵 $AA^T = I$
矩阵分解
特征分解
$Av = \lambda v$
证明:特征值之和等于迹,特征值之积等于行列式 - 知乎
$A = V diag(λ) V^{−1}$
SVD 分解
$A = U \Sigma V^\mathrm T$
PCA
[[概率论 revisted#统计量]]
协方差矩阵对角化
$$ Y=PX $$
$$
\begin{array}{l l l}
D & = & \frac{1}{m}YY^\mathsf{T} \
& = & \frac{1}{m}(PX)(PX)^\mathsf{T} \
& = & \frac{1}{m}PXX^\mathsf{T}P^\mathsf{T} \
& = & P(\frac{1}{m}XX^\mathsf{T})P^\mathsf{T} \
& = & PCP^\mathsf{T}
\end{array}
$$