【吴恩达机器学习笔记】三、矩阵

简介: 【吴恩达机器学习笔记】三、矩阵

三、矩阵


1. 矩阵和向量

矩阵(Matrix)

05579063fe3f42d7af0377bc4acd90da.png


矩阵中的元素


2a592229318142b69bde1c08fd064584.png

向量(Vector)


a8caa417ed2e4c9f84c49da85e594614.png

小结

我们通常用大写字母A、B、C等来表示矩阵,用小写字母a、b、x等来表示向量。


2. 加法和标量乘法

矩阵加法(Matrix Addition)


f08ac34ff1fd42029582c3a18a314ccf.png

标量乘法(Scalar Multiplication)


dec0011f73b847d78b3459643a398862.png

综合运算


a39a28af641240efbbaa154b4be4ca92.png

3. 矩阵向量乘法

矩阵向量乘法定义


c25e907ba94b43c383ac680290cb4059.png

例子


c97d92eee05e4f2c81eb80dd4493e00c.png

数据转化为矩阵的小技巧

b43fd4ee441743098ec619963216d804.png


4. 矩阵乘法

矩阵乘法定义

83aa0ef7e6444f62b1201ed3ac0275ad.png


数据转化为矩阵的小技巧


a17936803ffd4a918fe5426d6b4f9b28.png

5. 矩阵乘法特性

矩阵乘法不满足交换律

b80f8639daf349b8964cbaa29a49a8be.png


矩阵乘法满足结合律和分配律


4e0cf5e782a34acc8b0be8e6b7be56d8.png

单位阵及其性质

ba79933d208b4768a9acb0f710e5f59b.png


6. 逆和转置

逆矩阵(Matrix inverse)

只有m×m的矩阵即方阵,才有逆矩阵(但零矩阵没有逆矩阵)。

没有逆矩阵的矩阵通常被称为奇异矩阵(singular)或退化矩阵(degenerate)。


6463c525c4d942ee8604b723a9b519a3.png

矩阵的转置(Matrix Transpose)

62a55e8b3e5343d68c67b01ab458ebc9.png

目录
相关文章
|
1月前
|
机器学习/深度学习 Python
机器学习中评估模型性能的重要工具——混淆矩阵和ROC曲线。混淆矩阵通过真正例、假正例等指标展示模型预测情况
本文介绍了机器学习中评估模型性能的重要工具——混淆矩阵和ROC曲线。混淆矩阵通过真正例、假正例等指标展示模型预测情况,而ROC曲线则通过假正率和真正率评估二分类模型性能。文章还提供了Python中的具体实现示例,展示了如何计算和使用这两种工具来评估模型。
54 8
|
2月前
|
机器学习/深度学习 计算机视觉 Python
模型预测笔记(三):通过交叉验证网格搜索机器学习的最优参数
本文介绍了网格搜索(Grid Search)在机器学习中用于优化模型超参数的方法,包括定义超参数范围、创建参数网格、选择评估指标、构建模型和交叉验证策略、执行网格搜索、选择最佳超参数组合,并使用这些参数重新训练模型。文中还讨论了GridSearchCV的参数和不同机器学习问题适用的评分指标。最后提供了使用决策树分类器进行网格搜索的Python代码示例。
158 1
|
6月前
|
机器学习/深度学习 人工智能 自然语言处理
算法金 | 吴恩达:机器学习的六个核心算法!
吴恩达教授在《The Batch》周报中介绍了机器学习领域的六个基础算法:线性回归、逻辑回归、梯度下降、神经网络、决策树和k均值聚类。这些算法是现代AI的基石,涵盖了从简单的统计建模到复杂的深度学习。线性回归用于连续变量预测,逻辑回归用于二分类,梯度下降用于优化模型参数,神经网络处理非线性关系,决策树提供直观的分类规则,而k均值聚类则用于无监督学习中的数据分组。这些算法各有优缺点,广泛应用于经济学、金融、医学、市场营销等多个领域。通过不断学习和实践,我们可以更好地掌握这些工具,发掘智能的乐趣。
124 1
算法金 | 吴恩达:机器学习的六个核心算法!
|
6月前
|
机器学习/深度学习 算法 BI
机器学习笔记(一) 感知机算法 之 原理篇
机器学习笔记(一) 感知机算法 之 原理篇
|
5月前
|
机器学习/深度学习 Serverless Python
`sklearn.metrics`是scikit-learn库中用于评估机器学习模型性能的模块。它提供了多种评估指标,如准确率、精确率、召回率、F1分数、混淆矩阵等。这些指标可以帮助我们了解模型的性能,以便进行模型选择和调优。
`sklearn.metrics`是scikit-learn库中用于评估机器学习模型性能的模块。它提供了多种评估指标,如准确率、精确率、召回率、F1分数、混淆矩阵等。这些指标可以帮助我们了解模型的性能,以便进行模型选择和调优。
|
6月前
|
机器学习/深度学习 算法 数据可视化
技术心得记录:机器学习笔记之聚类算法层次聚类HierarchicalClustering
技术心得记录:机器学习笔记之聚类算法层次聚类HierarchicalClustering
69 0
|
6月前
|
机器学习/深度学习 分布式计算 API
技术好文:Spark机器学习笔记一
技术好文:Spark机器学习笔记一
48 0
|
6月前
|
机器学习/深度学习 搜索推荐 算法
【阿旭机器学习实战】【37】电影推荐系统---基于矩阵分解
【阿旭机器学习实战】【37】电影推荐系统---基于矩阵分解
|
7月前
|
机器学习/深度学习 Python 索引
fast.ai 机器学习笔记(二)(4)
fast.ai 机器学习笔记(二)
62 0
fast.ai 机器学习笔记(二)(4)
|
7月前
|
索引 机器学习/深度学习 Python
fast.ai 机器学习笔记(二)(3)
fast.ai 机器学习笔记(二)
79 0
fast.ai 机器学习笔记(二)(3)