要读懂前沿的机器学习文献，需要掌握一些线性代数知识；要用代码实现某篇文献中的算法或研究本书未提及的其他算法，需要掌握线性代数的基础知识。如果你之前学过这部分知识，本节内容可以有助于你的回忆。如果你之前没有接触过这部分知识，建议听听大学的相关课程，选择一些书籍进行自学，或者通过相关视频进行学习，免费的教学视频与大学的课程是一样的。你是否听过“纸上得来终觉浅，觉知此事要躬行”这句话？只有通过自己的手动实践，才可以加深对书或视频里提到的知识的理解。
对线性代数的讨论主要分成4部分：首先讨论线性代数的基本结构——矩阵；接着讨论矩阵的基本运算，包括求矩阵的逆等；随后，将给出机器学习中常见到的向量范数；最后讨论如何在线性代数中使用微积分。
1 矩阵
待续
2 逆矩阵
待续
3 范数
范数常常出现在机器学习的文献中。矩阵的范数形式为：|| A||，即在矩阵符号的两边分别有两条竖线。让我们先看看向量范数。
向量范数是一种运算，它给出任意向量的确定的标量。可以把它想象成向量的长度，它在很多机器学习的算法（如k-Nearest Neighbors）中非常有用。比如你有一个向量z=[3,4]，它的长度是5，这也被称为2-范数，写作|| z|| or || z|| 2
使用不同的范数在一些机器学习算法中可以得到更好的结果，如回归中的lasso。1-范数也很常见，有时也被称作Manhattan距离。矩阵z的1-范数为：3+4=7，被写作|| z|| 1。可以得到任何数的范数，他们通常被定义为：
在确定输入向量的规模和意义时，常会用到向量范数。除了上面定义的方法，当把向量转换为标量时，可以用你想要的方式生成向量范数。
4 矩阵微积分
除了矩阵和向量的加法、减法和除法，也可以进行微积分运算，如对向量和矩阵求微分。这需要类似梯度下降的算法。这与一般的微积分操作很相似，关键是要理解符号和定义。
例如有一个向量A：
如果对向量A求x的微分，会得到另一向量：
如果对向量A求向量B的微分，就可以得到一个矩阵。假设向量B为：
对向量A（2X1维）求向量B（3X1维）的微分后，可以得到3X2维的矩阵：
部分译自《Machine Learning in Action》
版权声明：本文为原创文章，未经允许不得转载。
