目录

个人介绍与心得

准备

Ax = b 重新思考

线性相关和线性无关

Span 基和子空间 sbuspace

四个基本子空间

方阵的特征值与特征向量

二次型

PCA本质---特征分解的应用

SVD

 

 

个人介绍与心得

七月算法机器学习3  矩阵分析与应用_对称矩阵

准备

七月算法机器学习3  矩阵分析与应用_方差_02

七月算法机器学习3  矩阵分析与应用_特征值_03

Ax = b 重新思考

七月算法机器学习3  矩阵分析与应用_对称矩阵_04

七月算法机器学习3  矩阵分析与应用_二维_05

七月算法机器学习3  矩阵分析与应用_方差_06

线性相关和线性无关

七月算法机器学习3  矩阵分析与应用_特征值_07

线性无关即二维中向量平行,面则共面

七月算法机器学习3  矩阵分析与应用_特征值_08

Span 基和子空间 sbuspace

七月算法机器学习3  矩阵分析与应用_特征值_09

四个基本子空间

七月算法机器学习3  矩阵分析与应用_特征向量_10

七月算法机器学习3  矩阵分析与应用_对称矩阵_11

七月算法机器学习3  矩阵分析与应用_二维_12

七月算法机器学习3  矩阵分析与应用_二维_13

方阵的特征值与特征向量

七月算法机器学习3  矩阵分析与应用_特征值_14

Ax是一个向量,可以理解为对x的旋转

然后找到共线的,然后可表示为常数倍的x,则常数是特征值 

七月算法机器学习3  矩阵分析与应用_特征向量_15

七月算法机器学习3  矩阵分析与应用_特征值_16

七月算法机器学习3  矩阵分析与应用_特征值_17

二次型

七月算法机器学习3  矩阵分析与应用_二维_18

A是对称矩阵

七月算法机器学习3  矩阵分析与应用_对称矩阵_19

a是凸函数

b是非凸函数

PCA本质---特征分解的应用

七月算法机器学习3  矩阵分析与应用_对称矩阵_20

对角元是方差,要大

非对角元是协方差,要小

七月算法机器学习3  矩阵分析与应用_特征向量_21

保留特征值最大的两个

SVD

七月算法机器学习3  矩阵分析与应用_对称矩阵_22

七月算法机器学习3  矩阵分析与应用_二维_23

七月算法机器学习3  矩阵分析与应用_方差_24

七月算法机器学习3  矩阵分析与应用_特征值_25