开发者学堂课程【人工智能必备基础:线性代数:特征空间与应用】学习笔记,与课程紧密联系,让用户快速学习知识。
课程地址:https://developer.aliyun.com/learning/course/543/detail/7388
特征空间与应用
内容介绍
一、特征空间
二、特征向量的应用
一、特征空间
包含了所有的特征向量
比如这个特征值是你出拳的一个力度,你出拳力度越大意味着什么?是你认为这个方向你应该能去击倒对方,那我们在这里就给大家这个东西不是特别严谨,但是在所有的机器问题当中,或者是在我们的要解决问题当中,普遍的情况下,我们都去这么认为,特征向量就是一个方向,特征值就是代表着你要沿着这个方向它的一个重要程度。现在给大家举个例子,现在有一个十位的数据要去做降维,假设我的数据当中可以提出来十个特殊向量,这十个特征向量我给他编个号 123 等等,每个特征向量都是一个方向一个矩阵,可能有多个特征向量的并不是只有一个的。每一个向量,每一个特征,向量它都是这样,一个方向比如上图当中有这样两个方向一个 V1,V2 这两个方向都是可选的,选哪一个在这里就涉及,到了两个方向可能都能进行,达到一个相同的结果,像这种打拳击我打人的肩膀打人的头都能得到一个结果。那打哪个方向比较合适,认为某个方向信息更重要,这个方向更有价值一些,所以说我再降维的时候,选择特征值大的那个方向。在这里特征值特征向量,一个蓝色和一个 X,它俩是一个对应的关系,一个特征向量对一个特征值,另外一个特征向量对于另外一个特征值,所以说,在这里我们要强调特征值的一个大小,越大的一个特征值,它就意味着当前这个特征向量,它是更重要一些的。再来看什么叫做一个特殊空间,特殊空间包含了所有的特征向量。有两个轴这两个轴上所有的向量都是特征向量,因为它你看无论取什么值,这个特征向量无非是长了点儿,短了点儿,对我来说都可行。我们把这样的两个空间上,他所有包含的向量就叫做特征的一个空间了,既然特征只表达的重要程度和特征向量,他俩还有这样一个一一对应关系,那么特征值大的是不是就主要信息了,基于这一点,我们就能帮助我们去提取各种各样的矩阵当中最主要的信息了。在这里给大家举个例子,比如说现在一个图像,第一点图像应该是由像素点组成的,像素点,说白了就是一个值,在计算机当中,图像就是一个 H 乘 W 乘 C 的一个三维矩阵,这个视图的长度,图像它就是这样一个矩阵,但对于黑白图来说,颜色通常是一维暂且当成二维的就好了,比如说图像这些像素点 a,他不还是一个矩阵,只要他是矩阵,就能给他进行一个特征的一个提取,能给他进行了一个特征提取之后,进行一个特征向量和特征值的提取,提取完之后,比如提取出来了 50 个特征值,特征向量,可以把假设能取其中前十个当作主要信息,再得到这样一个图像,也可以相当于对矩阵做了压缩,对图像做了压缩,看起来得到了模糊一些,但是,他是还是图片上的这个人,还是这样一个事,这个就是特征向量。
二、特征向量的应用
特征值表达了重要程度且和特征向量所对应,则特征值大的就是主要信息,基于这点可以提取各种有价值的信息。
例如图片的长、宽、像素可以看作一个矩阵,对其进行特征向量和特征值的提取
对矩阵进行压缩相当于图片进行压缩
特征值和特征向量在数据中表达信息当中的哪一部分