机器学习|数学基础Mathematics for Machine Learning系列之线性代数:行列式按行(列)展开
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:行列式按行(列)展开相关的知识,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!
1.6 行列式按行(列)展开
概念
余子式
在n阶行列式中,把(i,j)元 a i j a_{ij} aij所在的第i行和第j列划去后,留下了第n-1阶行列式叫做(i,j)元 a i j a_{ij} aij的余子式,记作 M i j M_{ij} Mij
代数余子式
A i j = ( − 1 ) i + j M i j A_{ij}=(-1)^{i+j}M_{ij} Aij=(−1)i+jMij
举例
四阶行列式 D = ∣ a 11 a 12 a 13 a 14 a 21 a 22 a 23 a 24 a 31 a 32 a 33 a 34 a 41 a 42 a 43 a 44 ∣ D=\\begin{vmatrix} a_{11} & a_{12} &a_{13} & a_{14}\\\\ a_{21} & a_{22} &a_{23} & a_{24}\\\\ a_{31} & a_{32} &a_{33} & a_{34}\\\\ a_{41} & a_{42} &a_{43} & a_{44}\\\\ \\end{vmatrix} D=∣∣∣∣∣∣∣∣a11a21a31a41a12a22a32a42a13a23a33a43a14a24a34a44∣∣∣∣∣∣∣∣中(3,2)元 a 32 a_{32} a32的余子式、代数余子式分别为:
M 32 = ∣ a 11 a 12 a 14 a 21 a 22 a 24 a 41 a 42 a 44 ∣ M_{32}=\\begin{vmatrix} a_{11} & a_{12} & a_{14}\\\\ a_{21} & a_{22} & a_{24}\\\\ a_{41} & a_{42} & a_{44}\\\\ \\end{vmatrix} M32=∣∣∣∣∣∣a11a21a41a12a22a42a14a24a44∣∣∣∣∣∣
A 32 = ( − 1 ) 3 + 2 M 32 = − ∣ a 11 a 12 a 14 a 21 a 22 a 24 a 41 a 42 a 44 ∣ A_{32}=(-1)^{3+2}M_{32}=-\\begin{vmatrix} a_{11} & a_{12} & a_{14}\\\\ a_{21} & a_{22} & a_{24}\\\\ a_{41} & a_{42} & a_{44}\\\\ \\end{vmatrix} A32=(−1)3+2M32=−∣∣∣∣∣∣a11a21a41a12a22a42a14a24a44∣∣∣∣∣∣
引理
一个n阶行列式,如果其中第i行所有元素除(i,j)元 a i j a_{ij} aij外都为0,那么这个行列式等于 a i j a_{ij} aij与它都代数余子式的乘积,即 D = a i j A i j D=a_{ij}A_{ij} D=aijAij
定理3
行列式
以上是关于机器学习|数学基础Mathematics for Machine Learning系列之线性代数:行列式按行(列)展开的主要内容,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