线性代数
向量
向量（vector）：也可以叫做矢量。它代表一组数字，并且这些数字是有序排列的
C++中的数组就叫做vector
向量可以用来表示某个物体的特征。其中，向量的每个元素就代表一维特征，而元素的值代表了相应特征的值，我们称这类向量为特征向量
向量空间
x1，x2，……，xn∈F，就有 Fn
假设 V 是 Fn 的非零子集，如果对任意的向量 x、向量 y∈V，都有 (x+y)∈V，我们称为 V 对向量的加法封闭；对任意的标量 k∈V，向量 x∈V，都有 kx 属于 V，我们称 V 对标量与向量的乘法封闭
如果 V 满足向量的加法和乘法封闭性，我们就称 V 是 F 上的向量空间
向量子空间
已知 V:=(V,+,⋅) 是一个向量空间，如果 U⊆V,U !=0 ,那么 U:=(U,+,⋅) 就是 V 的向量子空间
距离
可以把一个向量想象为 n 维空间中的一个点。而向量空间中两个向量的距离，就是这两个向量所对应的点之间的距离
- 曼哈顿距离
$$MD(x,y) = \sum_{i=1}^n |x_i - y_i|$$
- 欧氏距离
$$ED(x,y) = \sqrt{\sum_{i=1}^n (x_i - y_i)^{2}}$$
- 切比雪夫距离
$$CD(x,y) = \argmax_1^n |x_i - y_i|$$
长度
通常使用欧氏距离来表示向量的长度
夹角
空间中两个向量所形成夹角的余弦值
$$Cosine(X,Y) = \frac{\sum_{i=1}^n (x_i * y_i)}{ \sqrt{\sum_{i=1}^n x^2 * \sum_{i=1}^n y^2}}$$
向量空间模型
向量空间模型假设所有的对象都可以转化为向量，然后使用向量间的距离，或者是向量间的夹角余弦来表示两个对象之间的相似程度
向量空间可以很形象地表示数据点之间的相似程度，不仅能运用在信息检索，也可以运用在基于相似度的一些机器学习算法中，例如 K 近邻（KNN）分类、K 均值（K-Means）聚类
信息检索：
- 将文档转为特征向量，分词后将词转换为向量，最简单的方法是用“1”表示这个词条出现在文档中，“0”表示没有出现，也可以对不同的词赋予不同的权重来丰富特征
- 将查询和文档进行匹配，查询需要先转为向量，因为查询与文档的维度不一样（出现的词），对于在文档出现而在查询没有出现的词，可以采取简单的置0，或者把文档的这个维度剔除掉
- 进行上面两个步骤后，就能得到每篇文档与查询的相似度了
线性无关
一组向量被称为线性无关，如果其中没有一个向量可以表示为其他向量的线性组合。换句话说，如果不存在非零标量使得这些向量的线性组合等于零向量，那么这些向量就被称为线性无关
$$a_1\mathbf{v}_1+a_2\mathbf{v}_2+\cdots+a_n\mathbf{v}_n=\mathbf{0}$$
如果只有所有系数都为零的情况下，能够使得上述线性组合等于零向量，那么这组向量就是线性无关的
基与秩
一个向量空间的基（Basis）是一组线性无关的向量，它们可以表示该向量空间中的任何向量，并且这组向量是极小的——移除其中任何一个向量都会导致表示能力丧失，基是向量空间中的一个生成集，它使得空间中的每个向量都可以通过线性组合得到，且这个表示方式是唯一的
矩阵的秩表示矩阵中线性无关的列向量或者行向量的最大数量
- 列秩（Column Rank）： 一个矩阵的列秩是它的列向量组成的向量空间的维度。也就是说，它是矩阵中线性无关的列向量的最大数量。列秩等于这个矩阵的列空间的维度
- 行秩（Row Rank）： 一个矩阵的行秩是它的行向量组成的向量空间的维度。行秩等于矩阵的列秩
线性映射
描述了两个向量空间之间的关系，将一个向量空间的元素映射到另一个向量空间中
线性映射是一种函数，它满足以下两个性质：
- 加法性质 对于任意两个向量 $u$ 和 $v$，有 $f(u+v) = f(u) + f(v)$
- 数乘性质 对于任意标量 $c$ 和向量 $v$，有 $f(cv) = c \cdot f(v)$
可以用变换矩阵来描述这种映射，已知两个向量空间 V 和 W，它们各自相应的有序基是 B=(b1,⋯,b3) 和 C=(c1,⋯,c4) ，线性映射 ϕ 表示成以下形式
$$\begin{aligned}&\phi\left(b_{1}\right) =c_1-c_2+3c_3-c_4 \&\phi\left(b_{2}\right) =2c_1+c_2+7c_3+2c_4 \&\phi\left(b_{3}\right) =3c_2+c_3+4c_4 \end{aligned}$$
其变换矩阵为
$$\left.A_\phi=\left[\begin{array}{ccc}1&2&0\-1&1&3\3&7&1\-1&2&4\end{array}\right.\right]$$
- 核空间：关注的是向量空间 V 中所有经过 ϕ 映射为零的向量集合
- 像空间：向量空间 V 中所有经过 ϕ 映射后的向量集合
仿射空间
$V$ 是一个向量空间，$U$ 是 $V$ 的一个向量子空间，$x_0$ 是 $V$ 中的元素，那仿射子空间 $L$ 就等于：$L=x_0+U := {x_0+u:u\in U}$
$U$ 叫做方向，$x_0$ 叫做支撑点
- 一维仿射子空间，也叫做“线”，参数方程是：$y=x_0+λb_1$
- 二维仿射子空间，也叫做“平面”，参数方程是：$y=x_0+λ_1b_1+λ_2b_2$
- n−1 维仿射子空间，也叫做“超平面” $y=x_0+\sum_{i=1}^{n-1}\lambda_ib_i$
每个 V 到 W 的仿射映射，都是“一个 V 到 W 的线性映射”和“一个 W 到 W 平移”的组合
统一，仿射映射也可以用仿射变换矩阵表示
$$\left.A'=\left[\begin{array}{cccc}1&0&0&x\0&1&0&y\0&0&1&z\0&0&0&1\end{array}\right.\right]$$
以上表示的就是一个针对 x y z 三个点平移对应距离的矩阵
运算
- 向量相加
$$x=\begin{bmatrix}x_1\x_2\x_3\\varvdots\x_n\end{bmatrix}\quad y=\begin{bmatrix}y_1\y_2\y_3\\varvdots\y_n\end{bmatrix}\quad x+y=\begin{bmatrix}x_1+y_1\x_2+y_2\x_3+y_3\\varvdots\x_n+y_n\end{bmatrix}$$
- 向量相乘
$$xy=\begin{bmatrix}x_1\x_2\x_3\\vdots\x_n\end{bmatrix}\begin{bmatrix}y_1\y_2\y_3\\vdots\y_n\end{bmatrix}=x_1y_1+x_2y_2+x_3y_3+...+x_ny_n$$
矩阵
矩阵由多个长度相等的向量组成，其中的每列或者每行就是一个向量
使用矩阵表示方程
$$\left.\left{\begin{array}{c}a_{11}x_1+a_{12}x_2+\cdots+a_{1n}x_n=b_1\a_{21}x_1+a_{22}x_2+\cdots+a_{2n}x_n=b_2\\cdots\cdots\cdots\cdots\cdots\cdots\cdots\cdots\cdots\cdots\a_{m1}x_1+a_{m2}x_2+\cdots+a_{mn}x_n=b_m\end{array}\right.\right.$$
=
$$\left.\tilde{A}=\left[\begin{array}{ccccc}a_{11}&a_{12}&\ldots&a_{1n}&b_1\a_{21}&a_{22}&\ldots&a_{2n}&b_2\\ldots&\ldots&\ldots&\ldots&\ldots\a_{m1}&a_{m2}&\ldots&a_{mn}&b_m\end{array}\right.\right]$$
矩阵运算
矩阵相加
$$A\in\mathbb{R}^{m\times n}, B\in\mathbb{R}^{m\times n}$$
$$\left.A+B=\left[\begin{array}{ccc}a_{11}+b_{11}&\ldots&a_{1n}+b_{1n}\\cdot&&\cdot\\cdot&&\cdot\\cdot&&\cdot\a_{m1}+b_{m1}&\ldots&a_{mn}+b_{mn}\end{array}\right.\right]\in R^{m\times n}$$
矩阵乘
- 普通矩阵乘
只有相邻阶数匹配的矩阵才能相乘，例如，一个 n×k 矩阵 A 和一个 k×m 矩阵 B 相乘，最后得出 n×m 矩阵 C，而这里的 k 就是相邻阶数
- 哈达玛积，就是矩阵各对应元素的乘积
$$\left.C=A^B=\left[\begin{array}{cc}1&2\4&5\end{array}\right.\right]\left[\begin{array}{cc}1&4\2&5\end{array}\right]=\left[\begin{array}{cc}11&24\42&5*5\end{array}\right]=\left[\begin{array}{cc}1&8\8&25\end{array}\right]$$
- 克罗内克积，是两个任意大小矩阵间的运算
A×B，如果 A 是一个 m×n 的矩阵，而 B 是一个 p×q 的矩阵，克罗内克积则是一个 mp×nq 的矩阵
单位矩阵
主对角线上的元素均为 1，除此以外全都为 0
$$\left.I_1=[1],I_2=\left[\begin{array}{ccc}1&0\0&1\end{array}\right.\right],I_3=\left[\begin{array}{ccc}1&0&0\0&1&0\0&0&1\end{array}\right],\ldots,I_n=\left[\begin{array}{cccc}1&0&\ldots&0\0&1&\ldots&0\.&.&\ldots&.\.&.&.&.\0&0&\ldots&1\end{array}\right]$$
矩阵的性质
- 结合律：任意实数 m×n 矩阵 A，n×p 矩阵 B，p×q 矩阵 C 之间相乘，满足结合律 (AB)C=A(BC)
- 分配律：任意实数 m×n 矩阵 A 和 B，n×p 矩阵 C 和 D 之间相乘满足分配律 (A+B)C=AC+BC，A(C+D)=AC+AD
- 单位矩阵相乘：任意实数 m×n 矩阵 A 和单位矩阵之间的乘，等于它本身 A
逆矩阵
A 乘以它的逆矩阵 $A^{-1}$ 就等于单位矩阵.如果一个矩阵是可逆的，那这个矩阵我们叫做非奇异矩阵，如果一个矩阵是不可逆的，那这个矩阵我们就叫做奇异矩阵
矩阵转置
$$\left.x=\left[\begin{array}{cccc}x_{1,1}&x_{1,2}&x_{1,3}&x_{1,4}\x_{2,1}&x_{2,2}&x_{2,3}&x_{2,4}\x_{3,1}&x_{3,2}&x_{3,3}&x_{3,4}\\end{array}\right.\right]$$
$$\left.x'=\left[\begin{array}{ccc}x_{1,1}&x_{2,1}&x_{3,1}\x_{1,2}&x_{2,2}&x_{3,2}\x_{1,3}&x_{2,3}&x_{3,3}\x_{1,4}&x_{2,4}&x_{3,4}\end{array}\right.\right]$$
线性回归
- 当自变量 x 的个数大于 1 时就是多元回归
- 当因变量 y 个数大于 1 时就是多重回归
如果因变量和自变量为线性关系时，就是线性回归模型；如果因变量和自变量为非线性关系时，就是非线性回归分析模型
高斯消元
主要分为两步，消元（Forward Elimination）和回代（Back Substitution）
设如下方程矩阵表达：
$$\left.\left[\begin{array}{cccccc}1&-2&1&-1&1&|&0\4&-8&3&-3&1&|&2\-2&4&-2&-1&4&|&-3\1&-2&0&-3&4&|&a\end{array}\right.\right]$$
以第一行为基础，开始执行乘和加变换，将第一行乘以 -4 的结果和第二行相加，再将第一行乘以 2 的结果，再和第三行相加，不断消元
$$\left.\left[\begin{array}{cccccc|c}1&-2&1&-1&1&|&0\0&0&1&-1&3&|&-2\0&0&0&1&-2&|&1\0&0&0&0&0&|&a+1\end{array}\right.\right]$$
得出 a 为 -1时，方程有解
通过程式之间的运算，消除未知的x
最小二乘法
解未知参数，使得理论值与观测值之差（即误差，或者说残差）的平方和达到最小
PCA主成分分析
一种针对数值型特征、较为通用的降维方法
- 标准化样本矩阵中的原始数据；
- 获取标准化数据的协方差矩阵；
- 计算协方差矩阵的特征值和特征向量；
- 依照特征值的大小，挑选主要的特征向量；
- 生成新的特征
主成分每个轴之间都会成九十度
SVD 奇异值分解
通过样本矩阵本身的分解，找到一些“潜在的因素”，然后通过把原始的特征维度映射到较少的潜在因素之上，达到降维的目的