在知乎周刊上看到一篇文章如何集中精神看资料?,受益匪浅,尤其是排名第二的@warfalcon的回答,更多地具体化了方法论,而不是逼格的东西。作者也在自己的blog上面整理了下,可以参考这里。
鉴于文中多次提到思维导图的重要性和优势,我这里把文章论述的主要观点用思维导图整理出来,也算活学活用。
上图(xmind所作,模板自己定制),点击可以看大图:
via WordPress http://ift.tt/1ku4lV7
临渊羡鱼,不如退而结网
在知乎周刊上看到一篇文章如何集中精神看资料?,受益匪浅,尤其是排名第二的@warfalcon的回答,更多地具体化了方法论,而不是逼格的东西。作者也在自己的blog上面整理了下,可以参考这里。
鉴于文中多次提到思维导图的重要性和优势,我这里把文章论述的主要观点用思维导图整理出来,也算活学活用。
上图(xmind所作,模板自己定制),点击可以看大图:
本节主要关注列空间(column space)和零空间 (null space)
子空间首先必须是向量空间,而且在另一个空间之中,即subspace 是vector space中的vector space。举例子,来看R^3的子空间,首先R^3是向量空间,R^3的subspace,如任意穿过原点的平面任意穿过原点的置信
子空间的交和并,假如有两个subspace,plane P和line L
∪:P U L是subspace吗?no,简单的可以找到vector加法不封闭
∩:P ∩ L是subspace吗?yes,交集要么是原点,要么是过原点的line
更一般的问题,Subspace S 和T,intersection S ∩ T is a subspace
证明:
强调一下vector space的条件
v + w 和 CV are in the space
vector space的列向量的线性组合还在vector space中
column space of matrix A is all linear combinations of columns
那么究竟是什么样的子空间呢?是整个R^4还是小一点的真子空间?到底有多小?显然不是整个空间,只是一部分(,3个列向量的线性组合无法充满整个4维空间。),在上图中,C(A)是A的列的线性组合。
同方程组量联系起来 Ax = b,对哪些b方程有解?并不是总有解的,因为对于上面的A,有4个方程和3个未知数。什么样的b才能让方程组有解?如b=全0,b是A中的某一列,也可以先把x列出来,然后去求b,也即有解的b的条件及是b是A的列空间的向量,因为Ax即A列的线性组合。
此外,观察一下,这3列向量是线性相关的,去掉某一列仍然可以组成之前的向量空间,如列三
C(A)是R^4的一个2维的subspace。
还是用A来举例子N(A),null space是一个很特殊的space,null space of A = all solutions x to Ax=0
首先从x可以看出,是R^3中的空间,下面来看看解有哪些,零向量显然是,又如[1, 1, -1],扩展为,即一条直线c[1, 1, -1],是一个subspace,可以通过前面的条件来check,比较简单,如下,假设v和w在零空间,Av = 0,Aw = 0,则A(v+w)= 0,那么v+w也在零空间,数乘类似
向量空间的关键
对于某个b,非0,不再考虑null space
如果有解,解构成子空间吗?显然不构成,因为显然的解中不包含原点,因此不是向量空间
那么是什么样的呢?[1, 0, 0]是一个解,[0, -1, 1]也是一个解,他们可能是一个不穿过原点的直线或者平面
总结,两种得到subspace的方法
可以从几个向量,通过线性组合,得到b,列空间
也可以从一个方程组中让x满足某种条件来找到子空间,如Ax=0,得到x,零空间。
本节的内容有三部分
置换矩阵P,用来完成行互换的矩阵(如消元,遇到主元为0的时候),之前我们做的A=LU分解,是假设了没有行变化,这里面的P本质上相当于单位阵,限制取消限制,怎么做?
PA = LU,先做P变化,将A变成主元不会出现0的情况,这样LU可以和以前一样,因此P是关键,P = identity matrix with reordered rows
有n!种n * n的置换阵,一些性质,而且都可逆,并且逆矩阵于其转置相等PT * P = I
转置(后续为了方便,记做P’,像matlab一样)
行列互换,共识如下
相关的一个应用广泛的矩阵是对称矩阵,对称矩阵(A’ = A),转置不变性
可以轻易造一个对称阵出来,如将上面的A’ * A,R’R is always symmetric,例子
理论上证明(R’R)’ = R’(R’)’ = R’R
Vector spaces
举例R^2,是一个平面,所有2维向量组成的空间,所有向量空间必须包括原点,向量运算结果页在该向量所在的空间
R^n 包含所有的n维向量,这里的向量都是column vector
性质:数乘,向量加法,取线性组合依然在R^n中,即封闭的
R^2的一个部分不能称为向量空间,比如第一象限,只有整数,运算不是封闭的
我们关注的更多的是R^n的子空间,它不是整个R^n,但是满足向量空间的性质,如在R^2中的一条过原点的直线,满足向量空间的性质,就是向量空间,这就是子空间的一个例子。但是不过原点的就不是,因为数乘0得到的是原点
subspace of R^2
R^3的比较类似,比如过原点的面和直线,其他,如在R^3中
取两列向量的所有线性组合,可以得到一个向量空间,叫column space C(A),结果是整个平面(在这个维度很自然可以看出,高维较难),当然通过原点。
本讲的核心,列向量的线性组合可以构成向量子空间
本节课内容,矩阵的五种乘法,以及用Gauss-Jordan方法求矩阵的逆
有五种乘法,结果显然是一致的,矩阵相乘的前提,如AB,A的列和B的行要相等,C = AB,A拥有m行,n列;B拥有n行,p列;而C就会有m行,p列
我们都知道,矩阵*向量得到向量。A*B的列1,得到C的列1,其余的部分不参与次运算,A*B的列2,得到C的列2,扩展开来,C中的列是A中的列的线性组合,矩阵乘法可以看做是A与一个个列相乘的p个向量组合在一起。而A乘以向量,等价于A中列的线性组合,而向量B的列说明了如何组合,这点很重要。在linear regression,的feature的组合中经常用到这种解释,A的列对应某一维特征的值,而向量则表明了每一维特征的权重。
同上面的方法比较类似,即C中的行,是B中的行的线性组合
这算是一种比较非主流的方法,没列 * 行得到一个矩阵,多个矩阵相加得到最终相乘的结果
第一种方法的拓展,将矩阵划分中多个block,像元素一样使用,记得相乘的block需要能够行列match
如A=[1 3| 2 6] (如果取行列式,结果为0,还没学到)
一种解释:
假设A * B = I,I中的列是A中的列的线性组合,显然不可能,所有的线性组合都在直线上,但是1,0不在上面
另一种解释:
if i can find a vector X(非零向量),with AX = 0,这样的A 没有逆,这里可以得到X = [3 , -1],证明如下:假设AX = 0,而且A有左逆A-1,则 A-1 ( AX) = 0,then X = [0, 0],矛盾,因此A没有左逆
结论:
singular matrix(即不可逆矩阵)的列能通过线性组合(非零向量X)得到0
方法如下 gauss-jordan idea(同时处理两个方程组),A * column j of A-1 = column j of I
求逆和求解方程组类似,尝试将A用消元法(先消元变成上三角阵,然后继续向上消元,即逆向)变成I,而左侧的I随着A做一样的操作,既可以得到A-1,可以检验一下,确实是A的逆
为什么能得到逆?本质上就是矩阵消元的方法,各种E,即E[A I] = [I ?] = [I E],可以看出EA = I,so E就是A的逆,而右侧的?就是E
本节课的主要内容如下
矩阵消元法解方程,也是计算机程序使用的方法;消元法奏效的情况,matrix is a good matrix;使用矩阵消元,既可以知道矩阵是不是一个好矩阵。消元后,回代,即可求解方程
我们本次要解决的AX = b
第一步
消元的目的,消去某个未知变量
先确定第一个主元(pivot)x,如A11,消去方程二和三种中的x,主元行不变,对第二行进行消元(行二减去主元行的某个倍数)
消元的时候可以先不管右侧矩阵,先看左侧(matlab也是这么做的,先算左侧A,再算右侧b)
第二个主元是A22,想消去方程三种的y,即3,2 step
第三个主元是A33
U 上三角矩阵,消元的目的是从A得到U
主元不能为0,为0即fail了,上面的success了,下面讨论下failure的消元,即得不到三个主元
如果0占据了主元的位置,需要做行交换,从下面的方程得到合适的主元,如果某行最终都为0了,则矩阵不可逆(下节课的内容),消元就fail了,行交换解决主元为0的临时问题,但是假如下面也没有可交换的行了,那么消元就fail了
首先将右侧向量带入,将右侧向量放到矩阵中(最右列),即增广矩阵augmented matrix,对这一列的每行做消元时候相同的操作
回代就是把新的矩阵转换成方程组,UX=c算出未知数的值,从下网上,依次算出z y x,是反向的。
矩阵变化,虽然之前在用矩阵,但是之前的操作,即消元步骤,并不是用矩阵来表示,下面就引入消元矩阵的概念。
矩阵乘法的一些思想
matirx * column = column
row * matrix = row
一步一步来,每次一个消元矩阵,下面是第一个消元矩阵
上图左为elementary matrix 即初等矩阵E21,表示位置目的把2 1 变成0。
然后是第二个消元矩阵
两步,消元就完成了。
把上面的消元矩阵结合起来如下
上式即矩阵相乘的结合律。
还有另一种初等矩阵,用于交换行的,or 置换,行交换,列交互,都可以使用单位阵来找置换矩阵
置换行的单位阵在左侧,置换列的单位阵在右侧。
同时引入矩阵的逆: