机器学习|数学基础Mathematics for Machine Learning系列之线性代数:矩阵的初等变换

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:矩阵的初等变换相关的知识,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!

往期文章

【机器学习|数学基础】Mathematics for Machine Learning系列之线性代数(1):二阶与三阶行列式、全排列及其逆序数

【机器学习|数学基础】Mathematics for Machine Learning系列之线性代数(2):n阶行列式、对换

【机器学习|数学基础】Mathematics for Machine Learning系列之线性代数(3):行列式的性质

【机器学习|数学基础】Mathematics for Machine Learning系列之线性代数(4):行列式按行(列)展开

【机器学习|数学基础】Mathematics for Machine Learning系列之线性代数(5):克拉默法则

【机器学习|数学基础】Mathematics for Machine Learning系列之线性代数(6):矩阵的运算

【机器学习|数学基础】Mathematics for Machine Learning系列之线性代数(7):逆矩阵

3.1 矩阵的初等变换

定义

矩阵的初等变换

  1. 对调两行(对调i,j两行,记作 r i ↔ r j r_{i}\\leftrightarrow r_{j} rirj
  2. 以数 k ≠ 0 k\\neq 0 k=0乘某一行中的所有元素(第i行乘以k,记作 r i × k r_{i}×k ri×k
  3. 把某一行所有的元素的k倍加到另一行对应的元素上(第j行的k倍加到第i行上,记作 r i + k r j r_{i}+kr_{j} ri+krj

变换同理,对列进行相应的操作(也是上面三种操作)

初等行变换、列变换统称初等变换。
如果矩阵A经过有限次初等行变换变成B,就称矩阵A与B行等价,记作 A ∼ r B A\\stackrel{r}{\\sim}B ArB

如果矩阵A经过有限次初等列变换变成B,就称矩阵A与B列等价,记作 A ∼ c B A\\stackrel{c}{\\sim}B AcB

如果矩阵A经过有限次初等变换变成矩阵B,那么称矩阵A与B等价,记作 A ~ B A~B AB

注:

后文中使用如下符号代表行、列变换
 
A ∼ r B 代 表 A 通 过 列 变 换 到 B A\\stackrel{r}{\\sim}B代表A通过 列 变换到B ArBAB
A ∼ c B 代 表 A 通 过 列 变 换 到 B A\\stackrel{c}{\\sim}B 代表A通过 列 变换到B AcBAB

等价具有的性质

矩阵之间的等价关系具有以下性质:

  1. 反身性 A ~ A A~A AA
  2. 对称性 若 A ~ B A~B AB,则 B ~ A B~A BA
  3. 传递性 若 A ~ B , B ~ C A~B,B~C ABBC,则 A ~ C A~C AC

矩阵类型

1、行阶梯形矩阵

可以画出一条阶梯线,线的下方全为0
每一个台阶只有一行,台阶数即是非零行的行数,阶梯线的竖线后面的第一个元素为非零元,也就是非零行的第一个非零元。


2、行最简形矩阵

在行阶梯形矩阵定义的基础之上还要求:

  • 非零行的第一个非零元为1
  • 且这些非零元所处的列的其他元素为0.


任何矩阵 A m × n A_{m×n} Am×n总可经过有限次初等变换将其变为行阶梯形矩阵、行最简形矩阵。

3、标准形矩阵

对行最简形矩阵再进行处等列变换,可以得到一种形状更简单的矩阵,成为标准形矩阵。
其特点是左上角是一个单位矩阵,其余元素均为0.

对于矩阵A,总可以经过一系列初等变换转化为标准形矩阵F

其中r为行阶梯形矩阵中非零行的行数。

4、初等矩阵

单位矩阵E经过一次初等变换得到的矩阵称为初等矩阵

有三种初等变换,则有三种初等矩阵,下面以行初等变换为例

(1)将单位矩阵中的第i、j行对调,得初等矩阵

用m阶初等矩阵 E m ( i , j ) E_m(i,j) Em(i,j)左乘矩阵A,其中 A = ( a i j ) m ∗ n A=(a_{ij})_{m*n} A=(aij)mn,得到

观察结果,可以发现最终结果其实就是将A矩阵中第i、j行进行了对调 ( r i ↔ r j ) (r_i \\leftrightarrow r_j) rirj

举个实际例子(左乘):

对调单位矩阵的第1、3行

同理,以n阶初等矩阵右乘矩阵A,结果就是相对于对矩阵A进行列变换

(2)以数 k ! = 0 k!=0 k!=0乘单位矩阵的第i行(或第i列),得到初等矩阵

可以发现,矩阵 E m ( i ( k ) ) E_m(i(k)) Em(i(k))左乘矩阵A,结果就是相对于数k乘以A的第i行

举个实际例子(左乘):

单位矩阵第二行乘以k=2

同理, E m ( i ( k ) ) E_m(i(k)) Em(i(k))右乘A,相当于k乘以A的第i列

(3)以k乘E的第j行加到第i行(或k乘以第j列加到第i列),得到初等矩阵

左乘时,相当于把矩阵A的第j行乘k加到第i行上

举个实际例子(左乘):

单位矩阵第3行乘以k=2加到第2行上

同理,右乘时,相当于把矩阵A的第j列乘k加到第i列上

性质

从上面的讨论中,可以得出

性质1

设A是一个m*n矩阵

  • 对A施加一次初等变换,相当于在A的左边乘以相应的m阶初等矩阵;
  • 对A施加一次初等变换,相当于在A的右边乘以相应的n阶初等矩阵

初等矩阵都是可逆的,且其逆矩阵都是同一类型的初等矩阵

  • E ( i , j ) − 1 = E ( i , j ) E(i,j)^{-1} = E(i,j) E(i,j)1=E(i,j)
  • E ( i ( k ) ) − 1 = E ( i ( 1 k ) ) E(i(k))^{-1}=E(i(\\frac{1}{k})) E(i(k))1=E(i(k1))
  • E ( i j ( k ) ) − 1 = E ( i j ( − k ) ) E(ij(k))^{-1}=E(ij(-k)) E(ij(k))1=E(ij(k))

注意

  • E ( i ( k ) ) 是 指 对 单 位 矩 阵 第 i 行 乘 以 k E(i(k))是指对单位矩阵第i行乘以k E(i(k))ik
  • E ( i j ( k ) ) 是 指 单 位 矩 阵 第 i 行 加 上 第 j 行 乘 以 k E(ij(k))是指单位矩阵第i行 加上 第j行乘以k E(ij(k))ijk

实例演示

设3阶单位阵E

E = [ 1 0 0 0 1 0 0 0 1 ] E=\\begin{bmatrix} 1 & 0 & 0\\\\ 0 & 1 & 0\\\\ 0 & 0 & 1 \\end{bmatrix} E=100010001

很显然

  • (E)E=E
  • E(E)=E

所以单位阵的逆矩阵为其本身 即 E ( i , j ) − 1 = E ( i , j ) E(i,j)^{-1} = E(i,j) E(i,j)1=E(i,j)

假设对E的第二行乘以2

得到 E ( i ( 2 ) ) = [ 1 0 0 0 2 0 0 0 1 ] ( i = 2 , 表 示 第 二 行 ) E(i(2)) =\\begin{bmatrix} 1 & 0 & 0\\\\ 0 & 2 & 0\\\\ 0 & 0 & 1 \\end{bmatrix}(i = 2,表示第二行) E(i(2))=100020001(i=2)

那么 E ( i ( 2 ) ) − 1 = E ( i ( 1 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:矩阵的初等变换的主要内容,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