Ax = b:几何

线性映射、向量与矩阵的几何与代数

方程 Ax = b 是线性代数的核心计算:给定一个变换 A 和目标 b,哪个输入 x 会落到目标上?把它读成几何后,在计算之前就能看出答案的性质。

有两种图像。行图像:每个方程是一条线(二维中)或一个平面(三维中),解就是它们全部相交的位置。列图像:b 必须是 A 的列的线性组合,而 x 存放这些组合权重。

几何上恰好有三种情况。直线在一个点相交(唯一解);它们平行且不同(无解,目标永不相遇);或者它们是同一条直线(无穷多解)。在图中拖动直线体验这三种情况。

在机器学习中的应用真实机器学习系统通常是超定的:方程(数据点)远多于未知数(参数),所以精确的 Ax = b 几乎从不存在。这就是最小二乘(后面课程)的全部动机。当你不能精确命中 b 时,就找让结果最接近的 x。线性回归正是这种“没有精确解,所以最小化偏差”的情况。
▶ Ax = b:几何
← 特殊矩阵高斯消元 →