图解线性代数 10-[番外.矮矩阵 / 长矩阵]

  • A+
所属分类:高等代数
摘要这一篇文章我们会介绍两种矩阵。之前我们接触的一直是方阵居多;这一次,我们来看一下不是方阵的矩阵,看一下他的变换的意义和一些性质。

【番外.矮矩阵 / 长矩阵】- 图解线性代数 10


  • 文章转自:微信号 meetmath
  • 由@文艺数学君@王茂南整理修订并发布

mxn 矩阵

矩阵乘法可以理解为一个特定的线性变换, 比如在 2x2 的可逆矩阵表示就是二维空间的(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, 本节来看看更一般 mxn 矩阵, 也就是非方阵的情况 -- 分两大类:行数小于列数的"矮矩阵"和行数大于列数的"长矩阵".

矮矩阵

所谓"矮矩阵"就是 mxn 矩阵 A 的维数 m < n 的情况:

图解线性代数 10-[番外.矮矩阵 / 长矩阵]

从方程组来说, 就是未知量为 n , 而方程个数 m .

图解线性代数 10-[番外.矮矩阵 / 长矩阵]

以上面 2x3 矩阵而言, 就是未知量 x 从三维空间被压缩到二维平面的线性变换, 也就是说存在了压缩扁平化的操作, 观察下图:

图解线性代数 10-[番外.矮矩阵 / 长矩阵]

观察要点:

  • 三维空间被压缩为平面;
  • 属于零空间的向量集合被压缩到零向量, 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(1,1) 的作用下, 线性空间是怎样的变化过程:

图解线性代数 10-[番外.矮矩阵 / 长矩阵]

观察要点:

  • 属于零空间的向量集合被压缩到零向量;
  • 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经常被用于对数据的压缩, 比如原始数据维数太大, 就需要找到某种变换将原始高维属性空间降为更低维的空间, 未来再主成分分析 PCA(这个和矩阵的特征值也是有关系的) 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:

图解线性代数 10-[番外.矮矩阵 / 长矩阵]

这样未知数要比方程数少的情况, 对应的是变换会从低维到高维空间进行的.

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, 对于方阵我们可以计算它的行列式, 如果不是方阵的话,就不行列式这个概念了.

❥ 部分截图出自 3Blue1Brown 的《线性代数 的本质》视频;

上面就是本次图解线性代数所回顾的知识点. 好了, 现在让我们在下一篇的中再见!

因为本人水平有限, 疏忽错误在所难免, 还请各位老师和朋友多提宝贵意见, 帮助我改进这个系列, 您的关注和转发就是鼓励我继续前行的最大动力, 感谢感谢!

图解线性代数 10-[番外.矮矩阵 / 长矩阵]

欢迎关注公众号:遇见数学

欢迎关注公众号:文艺数学君

  • 微信公众号
  • 关注微信公众号
  • weinxin
  • QQ群
  • 我们的QQ群号
  • weinxin
遇见数学

发表评论

:?: :razz: :sad: :evil: :!: :smile: :oops: :grin: :eek: :shock: :???: :cool: :lol: :mad: :twisted: :roll: :wink: :idea: :arrow: :neutral: :cry: :mrgreen: