深度之眼(六)——矩阵的逆(附:logistic模型一些想法)

简介: 深度之眼(六)——矩阵的逆(附:logistic模型一些想法)

一、矩阵逆的引入以及矩阵逆的定义(*)


0a2653c851af460fa595bd959398a8f1.png


A*是伴随矩阵,其中Aij为aij的代数余子式


2d65d23f6d4748949b924e4057485923.png2e9b90b2ca334476abebe75bafe6eeaa.png


区别于定义7 AB = BA = E,使条件推广


二、矩阵逆的计算


分块矩阵(便于计算)

0a2653c851af460fa595bd959398a8f1.png


三、矩阵逆的常用性质,以及特殊矩阵的逆


3.1 性质


|AB| = |A||B|

(AB)-1=B-1A-1

(AB)T=BTAT

2d65d23f6d4748949b924e4057485923.png


3.2 特殊矩阵的逆


2e9b90b2ca334476abebe75bafe6eeaa.png


四、矩阵逆在机器学习线性回归算法中的运用(初级)


N是样本个数,a1……an是待估参数


0a2653c851af460fa595bd959398a8f1.png


博主在看到这里的时候,忽然想起来自己曾经一次数模模拟题,用到了logistic模型,当时有贝塔1到贝塔n的求解,博主当时不清楚该怎么解,现在才理解明白,线代移动要好好学啊

模型简介如下:

2d65d23f6d4748949b924e4057485923.png

含泪,用matlab,线代一定要好好学!!!,泪的教训


五、分块矩阵


分块矩阵的转置,整体是要进行转置,每一个小分块要要转置(这两点要记住)


5.1 加减乘运算


0a2653c851af460fa595bd959398a8f1.png


5.2 转置运算和逆运算


2d65d23f6d4748949b924e4057485923.png


5.3 例


2e9b90b2ca334476abebe75bafe6eeaa.png


5.4 协方差矩阵的计算


0a2653c851af460fa595bd959398a8f1.png

相关文章
|
6月前
|
机器学习/深度学习 数据可视化
R语言MCMC的lme4二元对数Logistic逻辑回归混合效应模型分析吸烟、喝酒和赌博影响数据
R语言MCMC的lme4二元对数Logistic逻辑回归混合效应模型分析吸烟、喝酒和赌博影响数据
|
6月前
|
机器学习/深度学习
数据分享|R语言广义线性模型GLM:线性最小二乘、对数变换、泊松、二项式逻辑回归分析冰淇淋销售时间序列数据和模拟-1
数据分享|R语言广义线性模型GLM:线性最小二乘、对数变换、泊松、二项式逻辑回归分析冰淇淋销售时间序列数据和模拟
|
6月前
|
机器学习/深度学习 人工智能 算法
数据分享|R语言广义线性模型GLM:线性最小二乘、对数变换、泊松、二项式逻辑回归分析冰淇淋销售时间序列数据和模拟-2
数据分享|R语言广义线性模型GLM:线性最小二乘、对数变换、泊松、二项式逻辑回归分析冰淇淋销售时间序列数据和模拟
|
6月前
|
机器学习/深度学习 人工智能 算法
数据分享|R语言广义线性模型GLM:线性最小二乘、对数变换、泊松、二项式逻辑回归分析冰淇淋销售时间序列数据和模拟
数据分享|R语言广义线性模型GLM:线性最小二乘、对数变换、泊松、二项式逻辑回归分析冰淇淋销售时间序列数据和模拟
|
6月前
|
数据可视化
R语言中的广义线性模型(GLM)和广义相加模型(GAM):多元(平滑)回归分析保险资金投资组合信用风险敞口
R语言中的广义线性模型(GLM)和广义相加模型(GAM):多元(平滑)回归分析保险资金投资组合信用风险敞口
|
人工智能
从浅到深研究矩阵的特征值、特征向量
从浅到深研究矩阵的特征值、特征向量
156 0
|
存储 机器学习/深度学习 并行计算
【白话模型量化系列一】矩阵乘法量化
【白话模型量化系列一】矩阵乘法量化
232 0
深度之眼(十)——矩阵特征值与特征向量
深度之眼(十)——矩阵特征值与特征向量
247 0
深度之眼(十)——矩阵特征值与特征向量
|
机器学习/深度学习
深度之眼(三)——矩阵的行列式
深度之眼(三)——矩阵的行列式
220 0
深度之眼(三)——矩阵的行列式
|
算法 计算机视觉
学习:基于泰勒级数近似估计的图像增强综述
学习:基于泰勒级数近似估计的图像增强综述
444 0
学习:基于泰勒级数近似估计的图像增强综述