矩阵复习

1 课程概览

本课复习向量和矩阵的基本运算，包括向量的大小（模长）和方向、向量的加减法、向量与标量的运算、向量转置、矩阵相乘等。重点讲解矩阵相乘的条件（A的列数等于B的行数）和计算方法，为后续正规方程法求解线性回归做准备。

2 核心概念与定义

向量大小（模长）：向量的长度，用勾股定理计算。
向量方向：向量与坐标轴的夹角。
向量加减法：对应元素相加减。
向量与标量运算：每个元素与标量进行运算。
转置（T）：行变列，列变行。
矩阵相乘：A的列数等于B的行数时才能相乘。

3 算法与模型详解

3.1 向量的大小和方向

向量：[1, 2]

大小（模长）： $$|v| = \sqrt{1^2 + 2^2} = \sqrt{5}$$

三维向量：[1, 2, 3] $$|v| = \sqrt{1^2 + 2^2 + 3^2} = \sqrt{14}$$

方向：夹角，用arctan计算

3.2 向量加减法

加法（对应元素相加）： $$\begin{bmatrix} 1 \ 2 \ 3 \end{bmatrix} + \begin{bmatrix} 4 \ 5 \ 6 \end{bmatrix} = \begin{bmatrix} 5 \ 7 \ 9 \end{bmatrix}$$

减法（对应元素相减）： $$\begin{bmatrix} 1 \ 2 \ 3 \end{bmatrix} - \begin{bmatrix} 4 \ 5 \ 6 \end{bmatrix} = \begin{bmatrix} -3 \ -3 \ -3 \end{bmatrix}$$

3.3 向量与标量运算

示例：向量 [1, 2, 3] × 4 $$\begin{bmatrix} 1 \ 2 \ 3 \end{bmatrix} \times 4 = \begin{bmatrix} 4 \ 8 \ 12 \end{bmatrix}$$

说明：每个元素都与标量进行运算

3.4 向量转置

转置前（列向量）： $$\begin{bmatrix} 1 \ 2 \end{bmatrix}$$

转置后（行向量）： $$\begin{bmatrix} 1 & 2 \end{bmatrix}$$

规则：行变列，列变行

表示：$X^T$

3.5 矩阵相乘

相乘条件：A的列数 = B的行数

示例： $$A = \begin{bmatrix} 1 & 2 \ 3 & 4 \end{bmatrix}, \quad B = \begin{bmatrix} 5 & 6 \ 7 & 8 \end{bmatrix}$$

$$A \times B = \begin{bmatrix} 1 \times 5 + 2 \times 7 & 1 \times 6 + 2 \times 8 \ 3 \times 5 + 4 \times 7 & 3 \times 6 + 4 \times 8 \end{bmatrix} = \begin{bmatrix} 19 & 22 \ 43 & 50 \end{bmatrix}$$

计算规则：

结果矩阵的行数 = A的行数
结果矩阵的列数 = B的列数
每个元素 = A对应行 × B对应列的元素之和

3.6 矩阵相乘的条件验证

矩阵A	矩阵B	能否相乘	结果形状
2×3	3×2	✅	2×2
2×3	2×3	❌	-
3×3	3×1	✅	3×1
1×3	3×1	✅	1×1

import numpy as np

# 向量模长
v = np.array([1, 2, 3])
print("模长：", np.linalg.norm(v))  # sqrt(14)

# 向量加减法
v1 = np.array([1, 2, 3])
v2 = np.array([4, 5, 6])
print("加法：", v1 + v2)  # [5, 7, 9]
print("减法：", v1 - v2)  # [-3, -3, -3]

# 向量与标量运算
print("标量乘法：", v1 * 4)  # [4, 8, 12]

# 转置
v_col = np.array([[1], [2], [3]])  # 列向量
print("转置：", v_col.T)  # [[1, 2, 3]]

# 矩阵相乘
A = np.array([[1, 2], [3, 4]])
B = np.array([[5, 6], [7, 8]])
print("矩阵相乘：\n", np.dot(A, B))
# [[19, 22],
#  [43, 50]]

6 重难点与易错提醒

❗重点：向量模长用勾股定理计算。
❗重点：向量加减法是对应元素相加减。
❗重点：转置是行变列、列变行。
❗重点：矩阵相乘条件是A的列数等于B的行数。
⚠️易错：矩阵相乘顺序不能交换（AB ≠ BA）。
⚠️易错：忘记检查矩阵相乘的条件。
💡深入理解：矩阵相乘是正规方程法的基础。

7 课堂问答精选

Q: 矩阵相乘的条件是什么？

A: 矩阵相乘的条件是A的列数等于B的行数。例如A是2×3矩阵，B是3×2矩阵，可以相乘，结果是2×2矩阵。如果A是2×3，B也是2×3，则不能相乘。

Q: 转置的作用是什么？

A: 转置将行向量变为列向量，或将列向量变为行向量。在多元线性回归中，需要通过转置使W和X满足矩阵相乘的条件，从而计算 $W^T X$。

8 本课小结

向量模长：$\sqrt{v_1^2 + v_2^2 + ... + v_n^2}$
向量加减法：对应元素相加减
向量与标量运算：每个元素与标量运算
转置：行变列，列变行
矩阵相乘条件：A的列数 = B的行数
矩阵相乘：结果行数=A行数，结果列数=B列数

9 延伸思考与实践

实践：用NumPy进行矩阵运算。
预习：正规方程法求解线性回归。
思考：为什么矩阵相乘顺序不能交换？