欢迎关注 [遇见数学] 头条号! 未来会分享更多精彩内容!
矩阵乘法可以理解为一个特定的线性变换, 比如在 2x2 的可逆矩阵表示便是二维空间的(可逆)变换; 3x3 的可逆矩阵表示三维空间的变换.
这些都是 nxn 型的矩阵, 本节来看看更一样平常 mxn 矩阵, 也就是非方阵的情形 -- 分两大类：行数小于列数的\"大众矮矩阵\"大众和行数大于列数的\公众长矩阵\公众.
所谓\"大众矮矩阵\"大众便是 mxn 矩阵 A 的维数 m < n 的情形:
从方程组来说, 便是未知量为 n , 而方程个数 m .
以上面 2x3 矩阵而言, 便是未知量 x 从三维空间被压缩到二维平面的线性变换, 也便是说存在了压缩扁平化的操作, 不雅观察下图:
不雅观察要点:
三维空间被压缩为平面;
属于零空间的向量凑集被压缩到零向量, 可以认为在变换过程中丢失了一部分信息;
三维空间的基底在变换后落在平面上, 并且坐标分别为(3,1),(1,5),(4,9);
这样矩阵压缩的行为, 当然可以从二维平面到一维直线, 如看下图的变换矩阵(1,2) 的浸染下, 线性空间是若何的变革过程:
不雅观察要点:
属于零空间的向量凑集被压缩到零向量;
二维空间的基底在变换后落在数轴上(直线)上, 并且变换后坐标分别为 1 和 2;
类似这样对空间压缩的操作常常被用于对数据的压缩, 比如原始数据维数太大, 就须要找到某种变换将原始高维属性空间降为更低维的空间, 未来再主身分剖析 PCA 时候, 我们再来更详细的图形展示.
长矩阵反过来考虑当矩阵 A 维数 m > n 的长矩阵:
这样未知数要比方程数少的情形, 对应的是变换会从低维到高维空间进行的. 比如下面矩阵便是从二维变换到三维空间的映射:
类似, 如果从一维到三维空间的变换矩阵也一定属于长矩阵形状的.
无论是矮矩阵, 还是长矩阵, 这样的非方阵和方阵的一个明显不同是, 对付方阵我们可以打算它的行列式, 如果不是方阵的话，就弗成列式这个观点了.
❥ 部分截图出自 3Blue1Brown 的《线性代数 的实质》视频;
❥ 视频可以从 YouTube 和 B站搜索3Blue1Brown 在线不雅观看
上面便是本次图解线性代数所回顾的知识点. 好了, 现在让我们不才一篇的中再见!
