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
v₁
和v₂
,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
a
、b
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 a
和 b
,它们的夹角 θ 满足:
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。