【漫话机器学习系列】205.度(夹角)(Span)

什么是矩阵的“度(夹角)”与“张成空间”——从向量到空间的几何直观

在学习线性代数的过程中,我们经常会遇到“张成空间(Span)”这个概念。对于初学者而言,这个词听起来抽象又遥远,甚至容易混淆于“维度”、“线性无关”这些概念中。

今天我们就借助一张生动直观的手绘图,来全面理解“张成空间”的几何意义,并从图中扩展出一个更常见的问题:向量之间的夹角(或称“度”)在空间中的角色


一、什么是张成(Span)?

我们先来看图中这段话:

一个矩阵张成(的线性空间)是用该矩阵向量的线性组合能够表示的所有点的集合。

这其实是“张成空间”的一个非常准确的定义。我们可以逐句拆解一下:

  • 矩阵向量:假设我们有两个向量,分别为 v₁v₂,它们可能来自一个矩阵的列向量。

  • 线性组合:我们可以用任意实数 ab 来构造:a*v₁ + b*v₂

  • 所有点的集合:这个组合中,a、b 可任意取值(实数),就可以构造出无数个新的向量,也就构成了一个“空间”。

通俗理解:

如果你把向量想象成“方向”,那么“张成空间”就像是在这些方向上尽可能延伸拉开的“整个区域”。
在二维中,这通常是一个平面;在三维中,可能是一个线、一个平面,或整个空间,取决于向量的数量与线性相关性。


二、图片中的几何解读

图片右侧用几何方式表达了这个概念:

  • 两个原点出发的箭头代表两个向量

  • 从这两个向量出发,用不同权重组合生成了一张平面网格

  • 这个“网格”就是这两个向量张成的平面

这个图特别好的地方在于,它强调了:

张成空间是从“方向 + 尺度”的无限组合构造出来的一个空间。

你不需要去死记公式,只要理解:你可以沿着这些向量“加权走”,就能到达张成空间的任意一个点。


三、那“度(夹角)”又是啥意思?

图片左上角写着大字:“度(夹角) span”。右下角补充:

两个向量的度(夹角)

这提示我们另一个重要概念:向量之间的夹角。

向量夹角的数学定义:

对于两个向量 ab,它们的夹角 θ 满足:

\cos \theta = \frac{a \cdot b}{\|a\| \|b\|}

这里:

  • a⋅b:是向量点积

  • ∥a∥,∥b∥:分别是向量的模长

夹角反映了两个向量之间的“相似程度”:

  • θ = 0°:完全同方向

  • θ = 90°:正交,彼此无关

  • θ = 180°:完全反方向

和张成空间的关系?

夹角的大小直接影响张成空间的“形状”和“维度”:

  • 如果两个向量夹角为 0 或 180°(共线),它们张成的空间就是“一条线”

  • 如果夹角不为 0/180°,它们张成的是一个“二维平面”

  • 如果你有三个彼此不共面的向量(在三维空间中),就能张成整个三维空间

所以,“夹角”是判断向量之间是否能扩展成更高维空间的关键!


四、应用与延伸

理解张成空间和夹角,不只是理论上的概念,它在许多实际应用中都有重要作用:

应用领域使用场景
机器学习判断特征向量是否冗余(是否线性相关)
信号处理判断信号是否可以由基信号表示(傅里叶变换等)
图像压缩选择能张成原始图像空间的大致子空间,保留重要信息
物理建模利用基向量张成运动空间,表示多维运动
NLP 词向量表示多个词向量张成的空间,用于推测词汇之间的关系

五、总结

通过这张图,我们可以深刻理解两个核心概念:

张成空间(Span):

是由向量的线性组合构成的所有点的集合,本质上描述了“这些向量能够覆盖的空间”。

向量之间的夹角:

是判断这些向量是否能扩展出“有体积”的空间的关键。


一句话总结: 张成空间告诉我们“我们能去哪儿”,而夹角告诉我们“我们之间差多远”。

这两个概念结合在一起,是我们理解线性代数、建模、特征工程等核心问题的基础。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值