第 9 课 - 线性代数概述：向量与矩阵的意义

学习目标

完成本课学习后，你将能够：

理解向量和矩阵在机器学习中的核心角色：明白它们是数据存储和模型计算的基本语言。
使用 Python（NumPy）创建和操作向量与矩阵：能够用代码表示数据。
识别并区分行向量、列向量、矩阵的维度：这是进行正确数学运算的基础。
建立“数据即向量/矩阵”的直觉：为后续学习向量运算、矩阵变换等概念做好思想准备。

核心概念

在上一课，我们用 Scikit-learn 训练了第一个模型。我们传入了 X（特征数据）和 y（标签）。你是否好奇，这些数据在计算机内部到底是如何存储和计算的？答案就是：向量（Vector） 和 矩阵（Matrix）。

1. 向量：一个数据的坐标 想象一下你描述一个人的特征：身高、体重、年龄。用数字表示就是 [175, 65, 30]。在机器学习中，这组数字就是一个向量。更正式地说：

向量是一个一维数组，它代表空间中的一个点或一个方向。
在代码中，我们通常使用 列向量 来表示单个数据样本的所有特征（就像我们例子中的 [175, 65, 30]）。
每一个维度的值（如175）被称为这个向量的一个元素或分量。

2. 矩阵：一个数据的表格 如果我们收集了多个人的数据，比如：

Person1: [175, 65, 30]
Person2: [180, 80, 25]
Person3: [165, 55, 35]

把它们堆叠起来，就形成了一个矩阵。

矩阵是一个二维数组，可以看作是多个向量的集合，也可以看作是一张表格。
它的行（Row） 通常代表不同的数据样本（如不同的人）。
它的列（Column） 通常代表不同的特征（如身高、体重、年龄）。

为什么机器学习离不开它们？ 机器学习的核心是计算。向量和矩阵提供了一种高效、标准化的方式来表示数据和进行计算。

数据表示：所有输入数据（如图片像素、文本词向量、表格数据）最终都被转换为数字向量或矩阵。
模型参数：线性回归的权重、神经网络的连接强度，本质上都是向量或矩阵。
计算加速：现代CPU和GPU对向量和矩阵的批量计算（称为向量化操作）进行了极致优化，速度远快于循环处理单个数字。

理解它们，就是理解了机器学习这座大厦的“砖块”和“水泥”。

代码示例

我们将使用 NumPy 库，它是 Python 科学计算的基石，也是所有机器学习库（如 Scikit-learn, PyTorch）的底层依赖。

import numpy as np

# 1. 创建向量
# 用一个列表表示一个向量（通常视为列向量）
vector_person1 = np.array([175, 65, 30])
print(f"一个向量（代表一个人的数据）:\n{vector_person1}")
print(f"这个向量的形状（维度）是: {vector_person1.shape} -> (3,) 表示一个长度为3的一维数组")

# 2. 创建矩阵
# 用一个列表的列表（嵌套列表）来创建矩阵
data_matrix = np.array([
    [175, 65, 30],  # 第1行，第1个样本
    [180, 80, 25],  # 第2行，第2个样本
    [165, 55, 35]   # 第3行，第3个样本
])
print(f"\n一个矩阵（代表三个人的数据）:\n{data_matrix}")
print(f"这个矩阵的形状（维度）是: {data_matrix.shape} -> (3, 3) 表示3行3列")

# 3. 访问矩阵的元素
print(f"\n矩阵第0行（第1个人）的所有数据: {data_matrix[0]}")
print(f"矩阵第1列（所有人的体重）的数据: {data_matrix[:, 1]}")

# 4. 理解行向量和列向量
# 在 NumPy 中，一维数组 `np.array([1,2,3])` 在运算时既不是严格的行向量也不是列向量。
# 我们可以通过 `reshape` 来明确指定。
row_vector = np.array([1, 2, 3]).reshape(1, 3) # 明确创建一个 1x3 的行向量
col_vector = np.array([1, 2, 3]).reshape(3, 1) # 明确创建一个 3x1 的列向量

print(f"\n明确的行向量 (1x3): {row_vector.shape}")
print(f"明确的列向量 (3x1): {col_vector.shape}")
print("在后续课程中，当我们进行矩阵乘法时，向量的‘方向’（行或列）至关重要。")

实践练习

练习 1：基础创建与查看 给定以下关于3部手机的数据：价格(元)、重量(克)、屏幕尺寸(英寸)。

Phone_A: [4999, 192, 6.7]
Phone_B: [3999, 187, 6.6]
Phone_C: [2999, 195, 6.8]

使用 NumPy：

将 Phone_A 的数据创建为一个名为 phone_a 的向量，并打印其形状。
将三部手机的数据创建为一个名为 phones 的矩阵（3行3列），并打印整个矩阵和其形状。

练习 2：矩阵切片 基于上一题创建的 phones 矩阵，写出代码并打印：

第二部手机（索引为1）的所有数据。
所有手机的价格（第一列）。
手机价格和重量的组合（前两列）。

练习 3：思考与探索 假设 data_matrix 代表3个学生的语文、数学、英语成绩。

data_matrix = np.array([
    [90, 85, 88],  # 学生A
    [78, 92, 75],  # 学生B
    [85, 88, 90]   # 学生C
])

如何用一行代码取出“数学”成绩（第二列）最高的那个学生的所有成绩？ 提示：先找到数学成绩（第二列）最大值的索引，然后用这个索引取出行。 预期输出应为：[78, 92, 75] （学生B的数学最高）

常见错误

混淆向量和矩阵的维度
- 错误：将一个长度为 n 的一维数组直接当作 n x 1 的矩阵（列向量）去进行矩阵乘法。
- 后果：在 np.dot(A, v) 时，如果 A 是 m x n 矩阵，v 是 (n,) 一维数组，NumPy 会按规则计算，但当 v 应该是 (n,1) 而你传入 (n,) 时，后续逻辑可能出错。
- 建议：在需要明确区分行/列向量时（尤其在线性代数运算中），使用 .reshape()。
索引错误
- 错误：使用 matrix[row_index][col_index] 而非 matrix[row_index, col_index]。
- 后果：在大多数情况下结果相同，但 matrix[i, j] 是更高效且地道的 NumPy 写法，尤其在切片时更清晰。
忽略数据布局（行 vs 列）
- 错误：在构建矩阵时，把每个样本的特征放在了列上，而不是行上。
- 后果：大多数机器学习库（Scikit-learn）默认约定 X 矩阵是 (n_samples, n_features)，即 行是样本，列是特征。如果你的数据是反的，模型将无法正确理解你的数据。

小结

在本课中，我们揭开了机器学习数据表示的神秘面纱：

向量是一维数组，是数据在特征空间中的一个点。它代表了单个数据样本的所有属性。
矩阵是二维数组，是多个向量的集合，构成了一张数据表。它的行代表样本，列代表特征。
NumPy 是我们操作这些数字“砖块”的强大工具，通过 np.array() 创建，通过 .shape 查看维度，通过索引和切片进行访问。
理解向量和矩阵，就是理解了机器学习算法语言的“字母”和“单词”。所有复杂的模型和运算，都是建立在这些基础之上的。

在下一课，我们将学习如何对这些“砖块”进行基本的数学操作——向量运算，这是构建更复杂模型的第一步。

练习编辑器

rust