我们知道，线性代数，可以完成空间上的线性变换——旋转，缩放。对于协方差，我们隐约可以想到，它能解释一个随机变量，它在各个维度的变化程度。但是，这种认识其实还是处于比较浅层次的。数学嘛，总要落实到公式上，才算认识比较深刻。
我认为，协方差一个经典的用法，是帮助我们计算对原始变量进行线性变换后的因变量的方差。
Y是对X的线性变换，如果X的协方差是，那么Y的方差就是。如果我们再进步一联想，就会想到结果其实是个二次型。的确，个人认为，协方差矩阵，一定是在二次型的环境里才能发挥到它的最大作用。
为了进一步感受它对于统计学的意义，我们可以举个实际的例子。
线性判别分析，就是把一个高维上的点投影到它的超平面上。它的目的很单纯，就是分类。它会认为，你再直线上的投影点，如果离得近，那么你们就是一类的。那么怎么衡量点离得近呢？没错，就是方差。这里就涉及到对于线性变换后的点进行方差计算的问题，此时，就可以用到我们上面的公式了。 这里的，就是直线方程的系数。
那么，我们可以进一步抽象。所谓对X进行的线性变换，其实是一种到某一条直线的投影，是一种约束，这种约束就是把散落在高维空间中的点，约束到它的超平面上。然后，协方差矩阵在这个约束的限制下，会变成一个数，也就是方差。
总结一下，协方差是约束前的方差的具体展开，二次型在这里，扮演了对协方差的约束的效果。它要求，协方差对应的点X，都在 系数下的直线上。
文章来源地址https://www.toymoban.com/news/detail-599190.html
文章来源：https://www.toymoban.com/news/detail-599190.html
到了这里，关于协方差矩阵到底有什么用？的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
