Matriks Simetris

Geometri dan aljabar pemetaan linear, vektor, dan matriks

Matriks simetris (A = Aᵀ) berperilaku sangat rapi, dan kebetulan merekalah yang paling sering muncul dalam ML. Matriks kovarians, Hessian, matriks Gram: semuanya simetris. Mereka datang dengan jaminan yang cukup bersih untuk punya nama.

Teorema spektral: setiap matriks simetris real memiliki eigenvalue real dan satu set penuh eigenvector ortogonal. Tidak ada bilangan kompleks, tidak ada kasus defective, dan arah eigen bertemu pada sudut siku-siku sempurna. Kamu selalu bisa mendiagonalkannya dengan matriks ortogonal.

Karena Q ortogonal, Q⁻¹ = Qᵀ, jadi dekomposisi ini dibangun dari rotasi, penskalaan, dan rotasi balik. Eigenvector memberimu sistem koordinat ortonormal sempurna, gratis.

Di mana ini berlaku dalam MLHessian dari loss adalah simetris (turunan parsial campuran komutatif), jadi eigenvalue-nya real dan memberi tahu kelengkungan di setiap arah: semua positif ⇒ minimum lokal (mangkuk), tanda campuran ⇒ pelana. Matriks kovarians simetris dan semidefinit positif, dan itulah tepatnya mengapa eigen-decomposition PCA selalu menghasilkan arah utama yang real, ortogonal, dengan varians non-negatif.
▶ Matriks Simetris
← DiagonalisasiSVD →