机器学习必备知识NumPy线性代数详解

Posted ZSYL

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必备知识NumPy线性代数详解相关的知识,希望对你有一定的参考价值。

前言

机器学习里面用到许多线性代数的知识,因此NumPy的线性代数相关操作,你一定要懂点儿哦!

NumPy 提供了线性代数函数库 linalg,该库包含了线性代数所需的所有功能,可以看看下面的说明:

函数描述
dot两个数组的点积,即元素对应相乘。
vdot 两个向量的点积
inner 两个数组的内积
matmul 两个数组的矩阵积
determinant 数组的行列式
solve 求解线性矩阵方程
inv 计算矩阵的乘法逆矩阵

numpy.dot()

numpy.dot():

  • 对于两个一维的数组,计算的是这两个数组对应下标元素的乘积和(数学上称之为内积);
  • 对于二维数组,计算的是两个数组的矩阵乘积;
  • 对于多维数组,它的通用计算公式如下,即结果数组中的每个元素都是:数组a的最后一维上的所有元素与数组b的倒数第二位上的所有元素的乘积和: dot(a, b)[i,j,k,m] = sum(a[i,j,:] * b[k,:,m])。

numpy.dot(a, b, out=None)

参数说明:

  • a : ndarray 数组
  • b : ndarray 数组
  • out : ndarray, 可选,用来保存dot()的计算结果

实例

import numpy.matlib
import numpy as np
 
a = np.array([[1,2],[3,4]])
b = np.array([[11,12],[13,14]])
print(np.dot(a,b))

输出结果为:

[[37  40] 
 [85  92]]

计算式为:

[[1*11+2*13, 1*12+2*14],[3*11+4*13, 3*12+4*14]]

二维数组之间即是线性代数中的矩阵相乘。

numpy.vdot()

numpy.vdot() 函数是两个向量的点积。 如果第一个参数是复数,那么它的共轭复数会用于计算。 如果参数是多维数组,它会被展开。

import numpy as np 
 
a = np.array([[1,2],[3,4]]) 
b = np.array([[11,12],[13,14]]) 
 
# vdot 将数组展开计算内积
print (np.vdot(a,b))

输出结果为:

130

计算式为:

1*11 + 2*12 + 3*13 + 4*14 = 130

等同于:

# 若a,b为一维数组
a = np.array([1,2,3,4]) 
b = np.array([11,12,13,14]) 
np.dot(a,b)  # 向量点积
130

numpy.inner()

numpy.inner() 函数返回一维数组的向量内积。对于更高的维度,它返回最后一个轴上的和的乘积。

import numpy as np 
 
print (np.inner(np.array([1,2,3]),np.array([0,1,0])))
# 等价于 1*0+2*1+3*0

输出结果为:

2

多维数组实例

import numpy as np 
a = np.array([[1,2], [3,4]]) 
 
print ('数组 a:')
print (a)
b = np.array([[11, 12], [13, 14]]) 
 
print ('数组 b:')
print (b)
 
print ('内积:')
print (np.inner(a,b))

输出结果为:

数组 a:
[[1 2]
 [3 4]]
数组 b:
[[11 12]
 [13 14]]
内积:
[[35 41]
 [81 95]]

数组a的最后一轴即每一行与b数组每一行分别点积。

numpy.matmul

numpy.matmul 函数返回两个数组的矩阵乘积。 虽然它返回二维数组的正常乘积,但如果任一参数的维数大于2,则将其视为存在于最后两个索引的矩阵的栈,并进行相应广播。

另一方面,如果任一参数是一维数组,则通过在其维度上附加 1 来将其提升为矩阵,并在乘法之后被去除。

对于二维数组,它就是矩阵乘法:

import numpy.matlib 
import numpy as np 
 
a = [[1,0],[0,1]] 
b = [[4,1],[2,2]] 
print (np.matmul(a,b))

输出结果为:

[[4  1] 
 [2  2]]

简单的矩阵乘法

二维和一维运算:

import numpy.matlib 
import numpy as np 
 
a = [[1,0],[0,1]] 
b = [1,2] 
print (np.matmul(a,b))
print (np.matmul(b,a))

输出结果为:

[1  2] 
[1  2]

为什么会是这样子?(重头戏)

上面的过程等同于下面的操作(请注意b的维度变化):

a = [[1,0],[0,1]] 
b = [[1],[2]]
print (np.matmul(a,b))

1、若进行a*b,a的shape:[2,2],b的shape[2,],是一维的数组,为了可以正常进行矩阵乘法,因此扩充b的维度为[2,1],即可计算。

[[1]
 [2]]

输出[2,1],再降维处理:

a = [[1,0],[0,1]] 
b = [[1],[2]] 
print (np.matmul(a,b).flatten())
[1 2]

2、若进行b*a,a的shape:[2,2],b的shape[2,],是一维的数组,为了可以正常进行矩阵乘法,因此扩充b的维度为[1,2],即可计算。

a = [[1,0],[0,1]] 
b = [[1,2]] 
print (np.matmul(b,a))
[[1 2]]

再降维处理:

a = [[1,0],[0,1]] 
b = [[1,2]] 
print (np.matmul(b,a).flatten())
[1 2]

完美解释上面过程!请您细细品味。

维度大于二的数组 :

import numpy.matlib 
import numpy as np 
 
a = np.arange(8).reshape(2,2,2) 
b = np.arange(4).reshape(2,2) 
print(a)
print(b)
print (np.matmul(a,b))
a:
[[[0 1]
  [2 3]]

 [[4 5]
  [6 7]]]
b:
[[0 1]
 [2 3]]
np.matmul(a,b):
[[[ 2  3]
  [ 6 11]]

 [[10 19]
  [14 27]]]

numpy.linalg.det()

numpy.linalg.det() 函数计算输入矩阵的行列式。

行列式在线性代数中是非常有用的值。 它从方阵的对角元素计算。 对于 2×2 矩阵,它是左上和右下元素的乘积与其他两个的乘积的差。

换句话说,对于矩阵[[a,b],[c,d]],行列式计算为 ad-bc。 较大的方阵被认为是 2×2 矩阵的组合。

import numpy as np
a = np.array([[1,2], [3,4]]) 
 
print (np.linalg.det(a))

输出结果为:

-2.0
import numpy as np
 
b = np.array([[6,1,1], [4, -2, 5], [2,8,7]]) 
print (b)
print (np.linalg.det(b))
print (6*(-2*7 - 5*8) - 1*(4*7 - 5*2) + 1*(4*8 - -2*2))

输出结果为:

[[ 6  1  1]
 [ 4 -2  5]
 [ 2  8  7]]
-306.0
-306

numpy.linalg.solve()

numpy.linalg.solve() 函数给出了矩阵形式的线性方程的解。

考虑以下线性方程:

x + y + z = 6

2y + 5z = -4

2x + 5y - z = 27

可以使用矩阵表示为:

如果矩阵成为A、X和B,方程变为:

A X = B AX = B AX=B

X = A − 1 B X = A^-1B X=A1B

机器学习中的正规方程用得到!

numpy.linalg.inv()

numpy.linalg.inv() 函数计算矩阵的乘法逆矩阵。

逆矩阵(inverse matrix):设A是数域上的一个n阶矩阵,若在相同数域上存在另一个n阶矩阵B,使得: A B = B A = E AB=BA=E AB=BA=E,则我们称 B B B A A A的逆矩阵,而A则被称为可逆矩阵。

注:E为单位矩阵。

实例

import numpy as np 
 
x = np.array([[1,2],[3,4]]) 
y = np.linalg.inv(x) 
print (x)
print (y)
print (np.dot(x,y))
[[1 2]
 [3 4]]
[[-2.   1. ]
 [ 1.5 -0.5]]
[[1.00000000e+00 1.11022302e-16]
 [0.00000000e+00 1.00000000e+00]]

现在创建一个矩阵A的逆矩阵:

import numpy as np 
 
a = np.array([[1,1,1],[0,2,5],[2,5,-1]]) 
 
print ('数组 a:')
print (a)
ainv = np.linalg.inv(a) 
 
print ('a 的逆:')
print (ainv)
 
print ('矩阵 b:')
b = np.array([[6],[-4],[27]]) 
print (b)
 
print ('计算:A^(-1)B:')
x = np.linalg.solve(a,b) 
print (x)
# 这就是线性方向 x = 5, y = 3, z = -2 的解

数组 a:
[[ 1  1  1]
 [ 0  2  5]
 [ 2  5 -1]]
a 的逆:
[[ 1.28571429 -0.28571429 -0.14285714]
 [-0.47619048  0.14285714  0.23809524]
 [ 0.19047619  0.14285714 -0.0952381 ]]
矩阵 b:
[[ 6]
 [-4]
 [27]]
计算:A^(-1)B:
[[ 5.]
 [ 3.]
 [-2.]]

结果也可以使用以下函数获取:

x = np.dot(ainv,b)
array([[ 5.],
       [ 3.],
       [-2.]])

参考RUNOOB.COM


加油!

感谢!

努力!

以上是关于机器学习必备知识NumPy线性代数详解的主要内容,如果未能解决你的问题,请参考以下文章

13 个 Python 必备的知识,建议收藏!

机器学习中的线性代数

机器学习学习整理前言与线性回归

机器学习三剑客之numpy

学机器学习,不会数据分析怎么行?之NumPy详解

机器学习中的线性代数