向量与矩阵 导数和偏导数 特征值与特征向量 概率分布 期望方差 相关系数

这篇具有很好参考价值的文章主要介绍了向量与矩阵 导数和偏导数 特征值与特征向量 概率分布 期望方差 相关系数。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

向量与矩阵

标量、向量、矩阵、张量

  • 标量(scalar):一个单独的数。
  • 向量(vector):⼀组有序排列的数。通过次序中的索引,我们可以确定每个单独的数。
  • 矩阵(matrix):具有相同特征和纬度的对象的集合。⼀个对象表⽰为矩阵中的⼀⾏,⼀个特征表⽰为矩阵中的⼀列,表现为⼀张⼆维数据表。
  • 张量(tensor):一个多维数组,⼀个数组中的元素分布在若⼲维坐标的规则⽹格中,我们将其称之为张量。

特征值的变化表,AI算法面试,面试相关,笔记,矩阵,特征向量,范数,相关系数

向量范数和矩阵的范数

向量范数

设一个向量特征值的变化表,AI算法面试,面试相关,笔记,矩阵,特征向量,范数,相关系数,不同范数表示如下:

  • 向量的1范数:向量的各个元素的绝对值之和
    特征值的变化表,AI算法面试,面试相关,笔记,矩阵,特征向量,范数,相关系数

  • 向量的2范数:向量的每个元素的平⽅和再开平⽅根
    特征值的变化表,AI算法面试,面试相关,笔记,矩阵,特征向量,范数,相关系数

  • 向量的负⽆穷范数:向量的所有元素的绝对值中最小的
    特征值的变化表,AI算法面试,面试相关,笔记,矩阵,特征向量,范数,相关系数

  • 向量的正⽆穷范数:向量的所有元素的绝对值中最大的
    特征值的变化表,AI算法面试,面试相关,笔记,矩阵,特征向量,范数,相关系数

  • 向量的p范数
    特征值的变化表,AI算法面试,面试相关,笔记,矩阵,特征向量,范数,相关系数

矩阵范数

设矩阵定义为Amxn,其元素为aij

  • 矩阵的1范数(列范数):矩阵的每⼀列上的元素绝对值先求和,再从中取个最⼤的,(列和最⼤)。
    特征值的变化表,AI算法面试,面试相关,笔记,矩阵,特征向量,范数,相关系数

  • 矩阵的2范数:矩阵ATA的最大特征值开平方根。
    特征值的变化表,AI算法面试,面试相关,笔记,矩阵,特征向量,范数,相关系数

  • 矩阵的⽆穷范数(⾏范数):矩阵的每⼀⾏上的元素绝对值先求和,再从中取个最⼤的,(⾏和最⼤)。
    特征值的变化表,AI算法面试,面试相关,笔记,矩阵,特征向量,范数,相关系数

  • 矩阵的L0范数:矩阵的⾮0元素的个数

  • 矩阵的L1范数: 矩阵中的每个元素绝对值之和

  • 矩阵的F范数: 矩阵的各个元素平⽅之和再开平⽅根,它通常也叫做矩阵的L2范数。
    特征值的变化表,AI算法面试,面试相关,笔记,矩阵,特征向量,范数,相关系数

  • 矩阵的p范数:
    特征值的变化表,AI算法面试,面试相关,笔记,矩阵,特征向量,范数,相关系数

导数和偏导数

导数代表了在⾃变量变化趋于⽆穷⼩的时候,函数值的变化与⾃变量的变化的⽐值。⼏何意义是这个点的切线。物理意义是该时刻的(瞬时)变化率

特征值的变化表,AI算法面试,面试相关,笔记,矩阵,特征向量,范数,相关系数

偏导数就是指多元函数沿着坐标轴的变化率。
特征值的变化表,AI算法面试,面试相关,笔记,矩阵,特征向量,范数,相关系数

特征值和特征向量

特征值表⽰的是这个特征到底有多重要,⽽特征向量表⽰这个特征是什么。

如果说⼀个向量ν是矩阵A的特征向量,将⼀定可以表⽰成下⾯的形式:
特征值的变化表,AI算法面试,面试相关,笔记,矩阵,特征向量,范数,相关系数
λ为特征向量ν对应的特征值。即矩阵A的信息可以由其特征值和特征向量表⽰。

概率分布

伯努利分布

特征值的变化表,AI算法面试,面试相关,笔记,矩阵,特征向量,范数,相关系数
期望:φ, 方差:φ(1-φ)

正态分布(高斯分布)

特征值的变化表,AI算法面试,面试相关,笔记,矩阵,特征向量,范数,相关系数
期望:μ, 方差:φ

缺乏实数上分布的先验知识, 不知选择何种形式时, 默认选择正态分布。

指数分布

深度学习中, 指数分布⽤来描述在 点处取得边界点的分布:
特征值的变化表,AI算法面试,面试相关,笔记,矩阵,特征向量,范数,相关系数

期望、⽅差、协⽅差、相关系数

期望

数学期望是试验中每次可能结果的概率乘以其结果的总和。它反映随机变量平均取值的⼤⼩。

特征值的变化表,AI算法面试,面试相关,笔记,矩阵,特征向量,范数,相关系数

  • 离散函数
    特征值的变化表,AI算法面试,面试相关,笔记,矩阵,特征向量,范数,相关系数

  • 连续函数
    特征值的变化表,AI算法面试,面试相关,笔记,矩阵,特征向量,范数,相关系数

方差

⽅差⽤来度量随机变量和其数学期望之间的偏离程度。
特征值的变化表,AI算法面试,面试相关,笔记,矩阵,特征向量,范数,相关系数

协⽅差

协⽅差是衡量两个变量线性相关性强度及变量尺度。
特征值的变化表,AI算法面试,面试相关,笔记,矩阵,特征向量,范数,相关系数

相关系数

相关系数是研究变量之间线性相关程度的量。
特征值的变化表,AI算法面试,面试相关,笔记,矩阵,特征向量,范数,相关系数文章来源地址https://www.toymoban.com/news/detail-778126.html

到了这里,关于向量与矩阵 导数和偏导数 特征值与特征向量 概率分布 期望方差 相关系数的文章就介绍完了。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!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 线性代数(8):特征值、特征向量和相似矩阵

            有矩阵 A 为 n 阶矩阵,Ax = λx ( λ 为一个实数,x为 n 维非零列向量 ),则称 λ 为方阵 A 的特征值, x 为特征向量; 1.2.1 公式         求特征值:使 | A - λE | = 0,其解的 λ 值即为矩阵 A 的特征值;         求特征向量: 使 ( A - λE )x = 0,设 x 为与 A 具有

    2024年02月11日
    浏览(51)
  • 线性代数(五) | 矩阵对角化 特征值 特征向量

    矩阵实际上是一种变换,是一种旋转伸缩变换(方阵) 不是方阵的话还有可能是一种升维和降维的变换 直观理解可以看系列超赞视频线性代数-哔哩哔哩_Bilibili 比如A= ( 1 2 2 1 ) begin{pmatrix}12\\\\21end{pmatrix} ( 1 2 ​ 2 1 ​ ) x= ( 1 2 ) begin{pmatrix}1\\\\2end{pmatrix} ( 1 2 ​ ) 我们给x左乘A实际

    2024年02月04日
    浏览(64)
  • 【证明】矩阵不同特征值对应的特征向量线性无关

    定理 1 设 λ 1 , λ 2 , ⋯   , λ m lambda_1,lambda_2,cdots,lambda_m λ 1 ​ , λ 2 ​ , ⋯ , λ m ​ 是方阵 A boldsymbol{A} A 的 m m m 个特征值, p 1 , p 2 , ⋯   , p m boldsymbol{p}_1,boldsymbol{p}_2,cdots,boldsymbol{p}_m p 1 ​ , p 2 ​ , ⋯ , p m ​ 依次是与之对应的特征向量,如果 λ 1 , λ 2 , ⋯   , λ

    2024年02月09日
    浏览(46)
  • 从浅到深研究矩阵的特征值、特征向量

    本篇特征值、特征向量笔记来源于MIT线性代数课程。 对于方阵而言,现在要找一些特殊的数字,即特征值,和特殊的向量,即特征向量。 给定矩阵A,矩阵A作用在向量上,得到向量Ax(A的作用,作用在一个向量上,这其实就类似于函数,输入向量x,得到向量Ax) 在这些向量

    2024年02月12日
    浏览(48)
  • 矩阵的谱分解 (详细推导步骤~~~特征值分解特征向量

           所谓矩阵的分解,就是将一个矩阵写成结构比较简单的或性质比较熟悉的另一些矩阵的乘积。矩阵的分解方法有很多种,包括三角分解、QR(正交三角)分解、最大秩分解、奇异值分解和谱分解,所有这些分解在数值代数和最优化问题的解法中都扮演着十分重要的角

    2024年02月05日
    浏览(57)
  • Python中的矩阵对角化与特征值、特征向量

    Python中的矩阵对角化与特征值、特征向量 在数学和物理学中,矩阵对角化是一种重要的矩阵变换方法。Python提供了许多工具和库来实现矩阵对角化操作,并能够计算矩阵的特征值和特征向量。本文将针对Python中的矩阵对角化、特征值和特征向量的相关概念进行详细的介绍。

    2024年02月11日
    浏览(64)
  • 线性代数|证明:矩阵不同特征值对应的特征向量线性无关

    定理 1 设 λ 1 , λ 2 , ⋯   , λ m lambda_1,lambda_2,cdots,lambda_m λ 1 ​ , λ 2 ​ , ⋯ , λ m ​ 是方阵 A boldsymbol{A} A 的 m m m 个特征值, p 1 , p 2 , ⋯   , p m boldsymbol{p}_1,boldsymbol{p}_2,cdots,boldsymbol{p}_m p 1 ​ , p 2 ​ , ⋯ , p m ​ 依次是与之对应的特征向量,如果 λ 1 , λ 2 , ⋯   , λ

    2024年02月07日
    浏览(60)
  • 特征值与特征向量: 矩阵的奇异值分解与主成分分析

    随着数据量的增加,数据处理和分析变得越来越复杂。在大数据领域,我们需要一种有效的方法来处理高维数据,以便更好地理解数据之间的关系和模式。这就是奇异值分解(Singular Value Decomposition, SVD)和主成分分析(Principal Component Analysis, PCA)发挥作用的地方。在本文中,我们将

    2024年02月19日
    浏览(43)
  • 雅可比旋转(Jacobi法)求对称矩阵的特征值和特征向量

    该方法是求解 对称矩阵 全部特征值和特征向量的一种方法,它基于以下结论: ① 任何实对称矩阵A可以通过正交相似变换成对角型 ,即存在正交矩阵Q,使得 Q T A Q = d i a g ( λ 1 , λ 2 , … , λ n ) Q^TAQ=diag(λ1,λ2,…,λn) Q T A Q = d ia g ( λ 1 , λ 2 , … , λn ) 其中λi(i=1,2,…,n)是A的特征

    2024年01月23日
    浏览(48)
  • MATLAB 构建协方差矩阵,解算特征值和特征向量(63)

    对于某片有待分析的点云,我们希望构建协方差矩阵,计算特征值和特征向量,这是很多算法必要的分析方法,这里提供完整的计算代码(验证正确) !!! 特别需要注意的是:特征值的排序方式 这里计算的特征值按照从小到大的顺序重新排列得到:L1 L2 L3,这样每个特征值都

    2024年04月14日
    浏览(54)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包