补充：为什么转换时是XW

$$h(X) = XW + B = \begin{bmatrix} X_{11} & X_{12} & ... & X_{1n} \ X_{21} & X_{22} & ... & X_{2n} \ \vdots & \vdots & \ddots & \vdots \ X_{m1} & X_{m2} & ... & X_{mn} \end{bmatrix} \begin{bmatrix} W_1 \ W_2 \ \vdots \ W_n \end{bmatrix} + B$$

4.3 补X0后

$$h(X) = XW = \begin{bmatrix} 1 & X_{11} & ... & X_{1n} \ 1 & X_{21} & ... & X_{2n} \ \vdots & \vdots & \ddots & \vdots \ 1 & X_{m1} & ... & X_{mn} \end{bmatrix} \begin{bmatrix} W_0 \ W_1 \ \vdots \ W_n \end{bmatrix}$$

其中 $W_0 = B$

5 代码示例

import numpy as np

# 单个样本（一行数据，以列形式展示）
X_single = np.array([[2104], [5], [1], [45]])  # 4×1
W = np.array([[0.1], [10], [-1], [-0.5]])  # 4×1

# W^T * X（单行预测）
y_single = W.T.dot(X_single) + 100  # +B
print("单行预测：", y_single)

# 多个样本（矩阵形式）
X_multi = np.array([
    [2104, 5, 1, 45],
    [1416, 3, 2, 40],
    [1534, 3, 2, 30]
])  # 3×4

# X * W（多行预测）
y_multi = X_multi.dot(W) + 100  # +B
print("多行预测：\n", y_multi)

# 补X0列（全为1）
X_b = np.c_[np.ones((3, 1)), X_multi]  # 3×5
W_b = np.vstack([[100], W])  # 5×1（B合并到W中）

# X * W（补X0后）
y_final = X_b.dot(W_b)
print("补X0后预测：\n", y_final)

6 重难点与易错提醒

❗重点：pandas中没有行的概念，一行数据以列形式展示。
❗重点：矩阵相乘条件：A的列数 = B的行数。
❗重点：一行样本用 $W^TX$，多行样本用 $XW$。
❗重点：补X0列（全为1）是为了将B合并到W中。
⚠️易错：混淆 $W^TX$ 和 $XW$ 的使用场景。
⚠️易错：忘记补X0列导致B无法计算。
💡深入理解：矩阵形式的转换是为了满足相乘条件。

7 课堂问答精选

Q: 为什么一行数据用 $W^TX$，多行数据用 $XW$？

一行数据：以列形式展示（n×1），W也是列向量（n×1），需要W转置才能相乘，所以用 $W^TX$。
多行数据：X是矩阵（m×n），W是列向量（n×1），直接相乘 $XW$ 即可。矩阵相乘条件：A的列数 = B的行数。

Q: 为什么要补X0列？

A: 补X0列（全为1）是为了将偏置B合并到权重W中。原始公式 $Y = W^TX + B$，补X0后变为 $Y = W_0X_0 + W_1X_1 + ... + W_nX_n$，其中 $X_0 = 1$，所以 $W_0 = B$，简化了计算。

8 本课小结

pandas无行概念：一行数据以列形式展示。
矩阵相乘条件：A的列数 = B的行数。
一行样本：$W^TX + B$
多行样本：$XW + B$
补X0列：将B合并到W中，简化计算。

9 延伸思考与实践

理解：矩阵形式的转换原理。
实践：用NumPy验证 $W^TX$ 和 $XW$ 的结果。
思考：为什么pandas中没有行的概念？