程序员的数学【线性代数高级】(一)

简介: 本文其实值属于:程序员的数学【AIoT阶段二】 的一部分内容,本篇把这部分内容单独截取出来,方便大家的观看,本文介绍 线性代数高级

前言

本文其实值属于:程序员的数学【AIoT阶段二】 的一部分内容,本篇把这部分内容单独截取出来,方便大家的观看,本文介绍 线性代数高级,读之前建议先看:程序员的数学【线性代数基础】,本文涵盖了一些计算的问题并使用代码进行了实现,安装代码运行环境见博客:最详细的Anaconda Installers 的安装【numpy,jupyter】(图+文),如果你只是想要简单的了解有关线代的内容,那么只需要学习一下博文:NumPy从入门到高级,如果你是跟着博主学习AIoT的小伙伴,建议先看博文:数据分析三剑客【AIoT阶段一(下)】(十万字博文 保姆级讲解),如果你没有Python基础,那么还需先修博文:Python的进阶之道【AIoT阶段一(上)】(十五万字博文 保姆级讲解)


一、特征值和特征向量

1.1 概念定义

🚩两个向量相乘效果图如下:

image.png

看图,这张图片竖直方向进行偏移,形象说明了向量相乘效果:

image.png

image.png

import numpy as np
A = np.random.randint(1, 10, size = (4, 4))
display(A)
print('------------------------')
if np.linalg.matrix_rank(A) == 4: # 必须是满秩矩阵
    # 实对称矩阵特征值为实数,非对称矩阵和复矩阵特征值可能为复数
    w, v = np.linalg.eig(A) # 返回特征值和特征向量
    display(w, v)
    w = np.real(w)
    v = np.real(v)
    print('------------------------')
    display(A.dot(v[:, 0]))
    display(w[0] * v[:, 0])

5.png

实对称矩阵,求解特征值和特征向量为实数

# 实对称矩阵
import numpy as np
B = np.array([[1, 2, 3],
              [2, 5, 8],
              [3, 8, 9]])
np.linalg.eig(B)

image.png

矩阵的秩: 用初等行变换将矩阵 A化为阶梯形矩阵, 则矩阵中非零行的个数就定义为这个矩阵的秩, 记为 r ( A ) 。

image.png

image.png

经过初等变换可知这个方程无解。

import numpy as np
X = np.array([[1, 2, 3],
              [4, 5, 6],
              [7, 8, 2]])
y = np.array([1, 2, 3])
# 查看矩阵秩,输出结果为2
print('矩阵X的秩为:',np.linalg.matrix_rank(X))
# 尝试求解报错,说明方程没有唯一解 
np.linalg.solve(X,y)

image.png

1.2 满秩矩阵

🚩满秩矩阵(non-singular matrix): 设A 是 n  阶矩阵, 若 r ( A ) = n , 则称 A 为 满秩矩阵。但满秩不局限于n阶矩阵。若矩阵秩等于行数,称为行满秩;若矩阵秩等于列数,称为列满秩。既是行满秩又是列满秩则为n阶矩阵即n阶方阵。

image.png

image.png

根据初等行变换,可得:

image.png

1.3 方程的解

import numpy as np
X = np.array([[0, 2, -1],
              [1, -1, 1],
              [2, 1, -1]])
y = np.array([1, 0, -2])
# 查看矩阵秩
print('矩阵X的秩为:',np.linalg.matrix_rank(X))
# 尝试求解报错,说明方程没有唯一解 
np.linalg.solve(X,y).round(2)

image.png

1.4 特征值和特征向量示例

🚩所有特征值的乘积等于 A 的行列式的:

image.png

import numpy as np
X = np.array([[2, 3, 7],
              [1, 5, 8],
              [0, 4, 9]])
# w表示特征值,v表示特征向量
w,v = np.linalg.eig(X)
print('矩阵X的行列式:',np.linalg.det(X))
print('特征值累乘值:',np.round(np.real(np.prod(w))))

image.png

特征值和特征向量在机器学习中会被用到,像PCA主成分分析,LDA线性判别分析,以及其它算法里面都会用到它的理论和方法。




目录
相关文章
|
9月前
|
人工智能 监控 测试技术
AI 应用软件的开发流程
2026年AI开发已升级为数据驱动、模型导向、高度自动化的AI-SDLC流程,涵盖需求评估、数据准备、模型开发(Prompt/RAG或微调)、架构集成、概率化测试及持续监控六大环节,强调不确定性管理与成本效能平衡。
|
11月前
|
人工智能 自然语言处理 安全
企业如何选择合适的智能客服系统?(2025年12月更新)
在数字经济深化背景下,智能客服成为企业降本增效、提升体验的关键。本文深度解析10款主流系统,涵盖瓴羊Quick Service、智齿科技、Zendesk等,从场景适配、技术亮点到安全合规,助力企业科学选型,释放智能服务增长价值。(238字)
|
10月前
|
数据采集 存储 运维
2025年主流接口监控平台对比分析与最佳实践指南
文章围绕2025年接口监控平台展开,对比商业SaaS、开源自建、全栈整合型三种主流方案。分析行业背景、痛点,阐述各方案优劣及适用场景,介绍技术原理与最佳实践路径,还解答常见选型问题,助力企业根据自身情况选择合适方案,保障接口稳定。
|
缓存 监控 Unix
Jmeter系列(38)- 详解性能监控工具 nmon
Jmeter系列(38)- 详解性能监控工具 nmon
1299 0
Jmeter系列(38)- 详解性能监控工具 nmon
|
安全 开发工具 git
图解Git——分支管理《Pro Git》
分支管理是 Git 中的重要机制,支持并行开发和清晰的工作流。常用命令包括:`git branch` 列出所有分支,`git branch -v` 查看最后一次提交,`git branch --merged` 和 `git branch --no-merged` 分别查看已合并和未合并的分支。创建新分支用 `git branch <branch-name>`,删除分支用 `git branch -d`(已合并)或 `-D`(强制删除)。建议定期清理已完成任务的分支,保持代码库整洁,并使用有意义的分支命名规范。注意强制删除未合并分支时可能丢失数据。
575 5
|
SQL 数据库 数据库管理
如何使用Navicat导出数据?
【8月更文挑战第28天】如何使用Navicat导出数据?
5920 6
|
测试技术 数据安全/隐私保护 iOS开发
iOS自动化测试方案(四):保姆级搭建iOS自动化开发环境
iOS自动化测试方案的第四部分,涵盖了基础环境准备、iPhone虚拟机设置、MacOS虚拟机与iPhone真机的连接,以及扩展问题和代码示例,确保读者能够顺利完成环境搭建并进行iOS自动化测试。
3305 0
iOS自动化测试方案(四):保姆级搭建iOS自动化开发环境
|
SQL 监控 专有云
分布式服务架构下的混沌工程实践
本文来自阿里巴巴高可用架构团队高级开发工程师肖长军(花名穹谷)在 GIAC(全球互联网架构大会)上的分享,包含三部分内容:(阿里巴巴中间件公众号对话框发送“混沌工程”,获取分享PPT) 混沌工程的定义、价值、原则和流程; 混沌工程如何在企业中落地,以及 ChaosBlade 和混沌实验平台 AHAS Chaos 架构设计; 结合两个具体案例介绍了分布式服务下的混沌工程实践; 大家好,我是来自阿里的肖长军,今天给大家分享混沌工程在分布式服务架构下的具体实践。
22757 134