机器学习中的矩阵

预备知识

先上数学中的几个定理与定义.

设 $X$ 是数域 $\mathcal{K}$ (实数域或复数域) 上的内积空间^[1], $x, y \in X$ , $M, N \subset X$ :

对于 $\forall x \in X$ , 通常被称为点
若内积 $(x, y) = 0$ , 则称 $x$ 与 $y$ 正交, 记作 $x \bot y$ .
若有 $\forall y \in M, x \bot y$ , 则称 $x$ 与 $M$ 正交, 记作 $x \bot M$ .
若有 $\forall x \in M, y \in N, x \bot y$ , 则称 $M$ 与 $N$ 正交, 记作 $M \bot N$ .
记 $M^{\bot} = \{ x \in X| x \bot M\}$ , 称 $M^{\bot}$ 为 $M$ 在 $X$ 中的正交补.

【投影与正交解】设 $X$ 是内积空间, $M_1, M_2$ 是 $X$ 的两个子空间, 而且 $M_1 \bot M_2$ . 若 $\forall x \in X$ , 都有唯一的分解式:
$x = x_1 + x_2, \;\; x_1 \in M_1, x_2 \in M_2$
则称 $X$ 为 $M_1$ 与 $M_2$ 的正交和, 记作 $X = M_1 \oplus M_2$ .

【投影判别准则】设 $M$ 是内积空间 $X$ 的线性子空间 ( $x \in X, x_0 \in M$ ), 则有
$x-x_0 \in M^{\bot} \Leftrightarrow ||x-x_0|| = d(x, M)$
也就是说, $x_0$ 是 $x$ 关于 $M$ 的最佳逼近.

【正交分解定理】设 $X$ 是内积空间, 若 $A$ 是 $X$ 的完备子空间, 则 $X$ 可以分解为 $X = A \oplus A^{\bot}$ .

【最佳逼近问题】设 $X$ 是内积空间, $x \in X, \{x_i\}_{i=1}^n \subset X$ 且线性无关. 对于 $\{\alpha_i\}_{i=1}^n \subset \mathcal{K}$ , 有
$||x - \displaystyle\sum_{i=1}^n \alpha_ix_i|| = \inf_{\{\beta_i\}_{i=1}^n \subset \mathcal{K}} ||x - \displaystyle\sum_{i=1}^n \beta_ix_i||$

平方逼近与最小二乘均可看作最佳逼近问题的特例.

==============================================================

下面具有说说机器学习中的矩阵.
设 $\{x_j\}_{j=1}^m, \{y_j\}_{j=1}^m$ 为内积空间 $M$ 中的点列. 记 $X = [x_1;x_2;\cdots;x_m]$ , $Y = [y_1;y_2;\cdots;y_m]$

线性模型

模型假设: 点列 $X$ 与 $Y$ 共面, 即 $Y = AX$

换言之, 损失函数
$L = ||AX -Y||_F^2$
故而
$\arg \min_A \langle AX, AX \rangle - 2 \langle AX, Y \rangle \Leftrightarrow AXX^T = YX^T$

https://zh.wikipedia.org/zh-hans/内积空间 ↩

最后编辑于：2018.11.28 10:44:49

人面猴
序言：七十年代末，一起剥皮案震惊了整个滨河市，随后出现的几起案子，更是在滨河造成了极大的恐慌，老刑警刘岩，带你破解...
沈念sama阅读 219,701评论 6赞 508
死咒
序言：滨河连续发生了三起死亡事件，死亡现场离奇诡异，居然都是意外死亡，警方通过查阅死者的电脑和手机，发现死者居然都...
沈念sama阅读 93,649评论 3赞 396
救了他两次的神仙让他今天三更去死
文/潘晓璐我一进店门，熙熙楼的掌柜王于贵愁眉苦脸地迎上来，“玉大人，你说我怎么就摊上这事。” “怎么了？”我有些...
开封第一讲书人阅读 166,037评论 0赞 356
道士缉凶录：失踪的卖姜人
文/不坏的土叔我叫张陵，是天一观的道长。经常有香客问我，道长，这世上最难降的妖魔是什么？我笑而不...
开封第一讲书人阅读 58,994评论 1赞 295
港岛之恋（遗憾婚礼）
正文为了忘掉前任，我火速办了婚礼，结果婚礼上，老公的妹妹穿的比我还像新娘。我一直安慰自己，他们只是感情好，可当我...
茶点故事阅读 68,018评论 6赞 395
恶毒庶女顶嫁案：这布局不是一般人想出来的
文/花漫我一把揭开白布。她就那样静静地躺着，像睡着了一般。火红的嫁衣衬着肌肤如雪。梳的纹丝不乱的头发上，一...
开封第一讲书人阅读 51,796评论 1赞 308
城市分裂传说
那天，我揣着相机与录音，去河边找鬼。笑死，一个胖子当着我的面吹牛，可吹牛的内容都是我干的。我是一名探鬼主播，决...
沈念sama阅读 40,481评论 3赞 420
双鸳鸯连环套：你想象不到人心有多黑
文/苍兰香墨我猛地睁开眼，长吁一口气：“原来是场噩梦啊……” “哼！你这毒妇竟也来了？” 一声冷哼从身侧响起，我...
开封第一讲书人阅读 39,370评论 0赞 276
万荣杀人案实录
序言：老挝万荣一对情侣失踪，失踪者是张志新（化名）和其女友刘颖，没想到半个月后，有当地人在树林里发现了一具尸体，经...
沈念sama阅读 45,868评论 1赞 319
护林员之死
正文独居荒郊野岭守林人离奇死亡，尸身上长有42处带血的脓包…… 初始之章·张勋以下内容为张勋视角年9月15日...
茶点故事阅读 38,014评论 3赞 338
白月光启示录
正文我和宋清朗相恋三年，在试婚纱的时候发现自己被绿了。大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
茶点故事阅读 40,153评论 1赞 352
活死人
序言：一个原本活蹦乱跳的男人离奇死亡，死状恐怖，灵堂内的尸体忽然破棺而出，到底是诈尸还是另有隐情，我是刑警宁泽，带...
沈念sama阅读 35,832评论 5赞 346
日本核电站爆炸内幕
正文年R本政府宣布，位于F岛的核电站，受9级特大地震影响，放射性物质发生泄漏。R本人自食恶果不足惜，却给世界环境...
茶点故事阅读 41,494评论 3赞 331
男人毒药：我在死后第九天来索命
文/蒙蒙一、第九天我趴在偏房一处隐蔽的房顶上张望。院中可真热闹，春花似锦、人声如沸。这庄子的主人今日做“春日...
开封第一讲书人阅读 32,039评论 0赞 22
一桩弑父案，背后竟有这般阴谋
文/苍兰香墨我抬头看了看天上的太阳。三九已至，却和暖如春，着一层夹袄步出监牢的瞬间，已是汗流浃背。一阵脚步声响...
开封第一讲书人阅读 33,156评论 1赞 272
情欲美人皮
我被黑心中介骗来泰国打工，没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留，地道东北人。一个月前我还...
沈念sama阅读 48,437评论 3赞 373
代替公主和亲
正文我出身青楼，却偏偏与公主长得像，于是被迫代替她去往敌国和亲。传闻我的和亲对象是个残疾皇子，可洞房花烛夜当晚...
茶点故事阅读 45,131评论 2赞 356

机器学习中的矩阵

预备知识

先上数学中的几个定理与定义.

线性模型

推荐阅读更多精彩内容