机器学习|数学基础Mathematics for Machine Learning系列之线性代数:二阶与三阶行列式全排列及其逆序数
Posted 海轰Pro
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了机器学习|数学基础Mathematics for Machine Learning系列之线性代数:二阶与三阶行列式全排列及其逆序数相关的知识,希望对你有一定的参考价值。
前言
Hello!小伙伴!
非常感谢您阅读海轰的文章,倘若文中有错误的地方,欢迎您指出~
自我介绍 ଘ(੭ˊᵕˋ)੭
昵称:海轰
标签:程序猿|C++选手|学生
简介:因C语言结识编程,随后转入计算机专业,有幸拿过一些国奖、省奖…已保研。目前正在学习C++/Linux/Python
学习经验:扎实基础 + 多做笔记 + 多敲代码 + 多思考 + 学好英语!
机器学习小白阶段
文章仅作为自己的学习笔记 用于知识体系建立以及复习
知其然 知其所以然!
二阶与三阶行列式
二阶行列式
记作
∣ a 11 a 12 a 21 a 22 ∣ = a 11 ∗ a 22 − a 12 ∗ a 21 \\begin{vmatrix} a_{11} & a_{12}\\\\ a_{21} & a_{22} \\end{vmatrix}=a_{11}*a_{22}-a_{12}*a_{21} ∣∣∣∣a11a21a12a22∣∣∣∣=a11∗a22−a12∗a21
定义
主对角线上的两元素之积减去副对角线上两元素之积所得的差,即: a 11 ∗ a 22 − a 12 ∗ a 21 a_{11}*a_{22}-a_{12}*a_{21} a11∗a22−a12∗a21
注:行列式本质是一个数值,比如 ∣ 1 2 3 4 ∣ \\begin{vmatrix} 1 & 2\\\\ 3 &4 \\end{vmatrix} ∣∣∣∣1324∣∣∣∣代表的就是数值(-2=1×4-2×3)
举例
∣ 3 − 2 2 1 ∣ = ? \\begin{vmatrix} 3 & -2\\\\ 2 & 1 \\end{vmatrix} = ? ∣∣∣∣32−21∣∣∣∣=?
答:
∣ 3 − 2 2 1 ∣ = 3 ∗ 1 − ( − 2 ) ∗ 2 = 3 − ( − 4 ) = 7 \\begin{vmatrix} 3 & -2\\\\ 2 & 1 \\end{vmatrix}=3*1-(-2)*2=3-(-4)=7 ∣∣∣∣32−21∣∣∣∣=3∗1−(−2)∗2=3−(−4)=7
三阶行列式
记作
∣ a 11 a 12 a 13 a 21 a 22 a 23 a 31 a 32 a 33 ∣ = a 11 ∗ a 22 ∗ a 33 + a 12 ∗ a 23 ∗ a 31 + a 13 ∗ a 21 ∗ a 32 − a 11 ∗ a 23 ∗ a 32 − a 12 ∗ a 21 ∗ a 33 − a 13 ∗ a 22 ∗ a 31 \\begin{vmatrix} a_{11} & a_{12} & a_{13}\\\\ a_{21} & a_{22} & a_{23}\\\\ a_{31} & a_{32} & a_{33}\\\\ \\end{vmatrix}=a_{11}*a_{22}*a_{33}+a_{12}*a_{23}*a_{31}+a_{13}*a_{21}*a_{32}-a_{11}*a_{23}*a_{32}-a_{12}*a_{21}*a_{33}-a_{13}*a_{22}*a_{31} ∣∣∣∣∣∣a11a21a31a12a22a32a13a23a33∣∣∣∣∣∣=a11∗a22∗a33+a12∗a23∗a31+a13∗a21∗a32−a11∗a23∗a32−a12∗a21∗a33−a13∗a22∗a31
举例
∣
1
2
−
4
−
2
2
1
−
3
4
−
2
∣
=
?
\\begin{vmatrix} 1 & 2 & -4\\\\ -2 & 2 & 以上是关于机器学习|数学基础Mathematics for Machine Learning系列之线性代数:二阶与三阶行列式全排列及其逆序数的主要内容,如果未能解决你的问题,请参考以下文章 机器学习|数学基础Mathematics for Machine Learning系列之图论:树及其性质 机器学习|数学基础Mathematics for Machine Learning系列之图论:树及其性质 机器学习|数学基础Mathematics for Machine Learning系列之图论(10):匹配基本定理 机器学习|数学基础Mathematics for Machine Learning系列之图论(10):匹配基本定理 机器学习|数学基础Mathematics for Machine Learning系列之图论(10):匹配基本定理 机器学习|数学基础Mathematics for Machine Learning系列之矩阵理论(16):向量和矩阵的极限