版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/zz531987464/article/details/88078164
矩阵(Matrix)
Dimension of matrix : number of rows * number of columns (矩阵的维数是 行数乘以列数)
向量(Vector) : An n * 1 martix (n维的矩阵)
矩阵加法(Matrix Addition)
矩阵加法仅适用于 维度相同的矩阵之间,将各个位置的数值进行相加
标量乘法运算(Scalar Multiplication)
标量一般指的是实数或某种数据结构
实数情况下只需要将该数字与矩阵中的每一个数进行相乘即可.
矩阵向量相乘实例:
当存在一个假设函数时,我们可以构建一个4*2的矩阵和一个2维向量,进行乘法运算,获取size不同时的结果.
矩阵之间相乘实例:
当我们存在三个假设函数时,我们可以将假设函数的参数构建一个2*3的参数矩阵,通过sizes矩阵与参数矩阵进行相乘,从而获取到不同sizes下在各个假设函数下的房价的12种结果,从而可以很清楚的得到最高最低的房价等。
为了实现矩阵之间的乘法运算,有很多很好的线性代数库可以高效实现矩阵运算.例如python中的numpy科学计算库
矩阵乘法特性:
两个矩阵之间不能随意交换位置.即使相同维度的矩阵进行运算,结果亦会不同.
A * B ≠ B * A
矩阵乘法符合结合律
(A * B) * C = A * (B * C)
Identity Matrix (单位矩阵) 对角线位置的数字均为1,其他地方均为0
对于任意一个矩阵A与单位矩阵相乘都有 A * I = I * A = A
矩阵逆运算(Martix inverse)
不存在逆矩阵的矩阵被称为奇异矩阵/退化矩阵.例如矩阵内都为0的为奇异矩阵
矩阵转置(Martix Transpose)