1. 为什么机器学习需要线性代数基础
线性代数是机器学习的数学基石,就像盖房子需要钢筋骨架一样。想象一下,如果你要处理一组房价数据,每套房子的面积、卧室数量、房龄等信息都需要用数字表示。这些数字在计算机中不是零散存放的,而是整齐排列成表格形式——这就是矩阵,线性代数研究的核心对象之一。
在机器学习中,数据通常被表示为向量或矩阵。比如一张256x256像素的灰度图片,本质上就是一个256行256列的矩阵;自然语言处理中的词向量,则是将单词映射为高维空间中的向量。当我们用Python的NumPy库处理数据时,np.array([[1,2],[3,4]])这样的二维数组就是矩阵的直接体现。
更重要的是,机器学习中的关键运算都依赖线性代数:
- 神经网络的前向传播本质上是矩阵乘法
- 主成分分析(PCA)基于特征值分解
- 推荐系统中的协同过滤使用矩阵分解
- 就连最简单的线性回归y=wx+b,也需要向量化运算
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 标量、向量与矩阵的机器学习意义
2.1 从单个数字到高维空间
标量(Scalar)就是单一数值,比如温度25°C、价格$299。在Python中就是一个普通的浮点数:
python复制temperature = 25.0
向量(Vector)是标量的有序集合,可以表示特征:
python复制house_features = [120.5, 3, 10] # 面积(m²), 卧室数, 房龄(年)
矩阵(Matrix)是向量的扩展,典型如Excel表格:
code复制| 面积 | 卧室 | 房龄 |
|------|------|------|
| 120 | 3 | 10 |
| 90 | 2 | 5 |
在NumPy中的实现:
python复制import numpy as np
data = np.array([[120, 3, 10],
[90, 2, 5]])
2.2 张量:更高维的数据容器
当处理彩色图片时,我们需要三维张量(Tensor):
- 第一维:图片高度
- 第二维:图片宽度
- 第三维:RGB颜色通道
python复制image_tensor = np.random.ran
