原文:
towardsdatascience.com/linear-algebra-euclidean-vector-space-9f88f69cf240
·发布于 Towards Data Science ·4 分钟阅读·2023 年 3 月 6 日
--
图片来源:Karsten Würth 在 Unsplash
在机器学习和深度学习中,我们大多数时候都在处理向量。而向量空间模型可以将数据之间的关系表示为向量。此外,从几何角度来看,它还能够比较两个向量的相似性,无论是使用两个向量之间的距离(欧几里得距离)还是两个向量之间的角度(余弦相似度)。
让我们从二维空间中的向量几何开始。
Image 1. 二维空间中向量的示例。 (图片来源:作者)
-
如果 u = (u₁, u₂) 和 v = (v₁, v₂) 满足 u₁ = v₁ 且 u₂ = v₂,则这两个向量相等。
-
向量 u 和 v 的和定义为 u + v = (u₁ + v₁, u₂ + v₂)
Image 2. 向量和的示例。 (图片来源:作者)
- 标量 k 与向量 u 的乘积定义为 ku = (ku₁, ku₂)
Image 3. 向量与标量相乘的示例。 图片来源:作者。
-
向量的负向量 -v 被定义为与 v 具有相同大小但方向相反的向量。
-
向量的差定义为 u-v = u + (-v)
Image 4. 向量差的示例。 (图片来源:作者)
- 向量的长度通常称为范数。
Image 5. 向量的长度,范数。 (图片来源:作者)
- 两点之间的距离定义如下:
Image 6. 两点之间的距离。 (图片来源:作者)
-
如果 n 是正整数,存在一系列 n 个实数 v₁, v₂, …, vₙ,则我们写作:v = (v₁, v₂, …, vₙ)
-
所有具有 n 个分量的向量的集合称为欧几里得 n 空间,记作 Rⁿ。
Rⁿ 中向量的属性
-
u + v = v + u
-
u + (v + w) = (u + v) + w
-
k(u + v) = ku + kv
-
(k + m)u = ku + mu
-
u + 0 = 0 + u = u
-
u + (-u) = 0
-
1u = u
其中 u, v, w 是向量,k, m 是常数
-
如果 u 和 v 是 Rⁿ 中的向量,则欧几里得内积定义为
u . v = u₁v₁ + u₂v₂ + … + uₙvₙ
由此得到:
图片 7. 柯西-施瓦茨不等式的证明。(作者提供的图片)
图片 8. 证明 u.v=1/4||u+v||² -1/4||u-v||²
-
属性:
u.v = v.u
(u + v).w = u.w + v.w
(ku).v = k(u.v)
v.v ≥ 0,v.v = 0 当且仅当 v = 0
其中 u, v, w 是向量,k 是常数
- Rⁿ 中的范数定义为:
图片 9. Rⁿ 中的范数。(作者提供的图片)
- Rⁿ 中两点之间的欧几里得距离定义为:
图片 10. Rⁿ 中两点之间的欧几里得距离。(作者提供的图片)
-
属性:
||u|| ≥ 0,||u|| = 0 当且仅当 u = 0
||ku|| = |k| ||u||
||u + v|| ≤ ||u|| + ||v||
d(u, v) ≥ 0,d(u, v) = 0 当且仅当 u = v
d(u, v) = d(v, u)
d(u, v) ≤ d(u, w) + d(w, v)
其中 u, v, w 是向量,k 是常数
如果 u 和 v 是欧几里得 n 空间中的向量,则 u 和 v 之间的角度 (θ) 定义为:
cosθ 的推导可以参考 图片 7。
图片 11. Rⁿ 中两向量之间的角度。(作者提供的图片)
[towardsdatascience.com ## 线性代数:矩阵运算及其性质,使用 Python
[towardsdatascience.com ## 线性代数:使用 Python 计算逆矩阵
towardsdatascience.com ## 线性代数:LU 分解与 Python
towardsdatascience.com ## 线性代数:正交向量
towardsdatascience.com [## 线性代数:一般向量空间
medium.com](https://medium.com/analytics-vidhya/linear-algebra-general-vector-space-0dd3d74e9070?source=post_page-----9f88f69cf240--------------------------------) [## 线性代数:发现特征值和特征向量以实现对角化
[1] 向量空间 — 维基百科
[2] 欧几里得空间 — 维基百科
[3] 国防医学院讲座 — 朱伟达,欧几里得向量空间,2008