作者:韩信子@ShowMeAI
教程地址:http://www.showmeai.tech/tutorials/83
本文地址:http://www.showmeai.tech/article-detail/162
声明:版权所有,转载请联系平台与作者并注明出处
1.标量(Scalar)
一个标量就是一个单独的数。只具有数值大小,没有方向(部分有正负之分),运算遵循一般的代数法则。
- 一般用小写的变量名称表示。
- 质量\( m \)、速率\( v \)、时间\( t \)、电阻\( \rho \) 等物理量,都是数据标量。
2.向量(Vector)
向量指具有大小和方向的量,形态上看就是一列数。
- 通常赋予向量粗体小写的名称;手写体则在字母上加一个向右的箭头。
- 向量中的元素是有序排列的,通过索引可以确定每个元素。
- 以下两种方式,可以明确表示向量中的元素时(注意用方括号)。
- 可以把向量看作空间中的有向线段,向量的每个组成元素,对应向量在不同的坐标轴上的投影长度。
AI中的应用:在机器学习中,单条数据样本的表征都是以向量化的形式来完成的。向量化的方式可以帮助AI算法在迭代与计算过程中,以更高效的方式完成。
3.矩阵(Matrix)
矩阵是二维数组,其中的每一个元素被两个索引确定。矩阵在机器学习中至关重要,无处不在。
- 通常会赋予矩阵粗体大写的变量名称。
AI中的应用:样本以矩阵形态表示:\( m \)条数据/样本,\( n \)个特征的数据集,就是一个\( m \times n \)的矩阵。
4.张量(Tensor)
几何代数中定义的张量,是基于向量和矩阵的推广。
- 标量,可以视为零阶张量
- 向量,可以视为一阶张量
- 矩阵,可以视为二阶张量
- 图片以矩阵形态表示:将一张彩色图片表示成一个\( H \times W \times C \)的三阶张量,其中\( H \)是高,\( W \)是宽,\( C \)通常取3,表示彩色图3个颜色通道。
- 在这个例子的基础上,将这一定义继续扩展,即:用四阶张量(样本,高度,宽度,通道)表示一个包含多张图片的数据集,其中,样本表示图片在数据集中的编号。
- 用五阶张量(样本,帧速,高度,宽度,通道)表示视频。
AI中的应用:张量是深度学习中一个非常重要的概念,大部分的数据和权重都是以张量的形态存储的,后续的所有运算和优化算法也都是基于张量进行的。
5.范数(Norm)
范数是一种强化了的距离概念;简单来说,可以把『范数』理解为『距离』。
在数学上,范数包括『向量范数』和『矩阵范数』:
- 向量范数(Vector Norm),表征向量空间中向量的大小。向量空间中的向量都是有大小的,这个大小就是用范数来度量。不同的范数都可以来度量这个大小,就好比米和尺都可以来度量远近一样。
- 矩阵范数(Matrix Norm),表征矩阵引起变化的大小。比如,通过运算\( \boldsymbol{A}\boldsymbol{X} = \boldsymbol{B} \),可以将向量\( \boldsymbol{X} \)变化为\( \boldsymbol{B} \),矩阵范数就可以度量这个变化的大小。
向量范数的计算:
对于\( \mathrm{p} - \)范数,如果\( \boldsymbol{x}=\left[x_{1}, x_{2}, \cdots, x_{n}\right]^{\mathrm{T}} \),那么向量\( \boldsymbol{x} \)的\( \mathrm{p} - \)范数就是\( |\boldsymbol{x}|_{p}=\left(\left|x_{1}\right|^{p}+\left|x_{2}\right|^{p}+\cdots+\left|x_{n}\right|^{p}\right)^{\frac{1}{p}} \)。
L1范数:\( || \boldsymbol{x}||_{1}=\left|x_{1}\right|+\left|x_{2}\right|+\left|x_{3}\right|+\cdots+\left|x_{n}\right| \)
- \( \mathrm{p} =1 \)时,就是L1范数,是\( \boldsymbol{x} \)向量各个元素的绝对值之和。
- L1范数有很多的名字,例如我们熟悉的曼哈顿距离、最小绝对误差等。
L2范数:\( |\boldsymbol{x}|_{2}=\left(\left|x_{1}\right|^{2}+\left|x_{2}\right|^{2}+\left|x_{3}\right|^{2}+\cdots+\left|x_{n}\right|^{2}\right)^{1 / 2} \)
- \( \mathrm{p} =2 \)时,就是L2范数,是\( \boldsymbol{x} \)向量各个元素平方和的开方。
- L2范数是我们最常用的范数,欧氏距离就是一种L2范数。
AI中的应用:在机器学习中,L1范数和L2范数很常见,比如『评估准则的计算』、『损失函数中用于限制模型复杂度的正则化项』等。
6.特征分解(Eigen-decomposition)
将数学对象分解成多个组成部分,可以找到他们的一些属性,或者能更高地理解他们。例如,整数可以分解为质因数,通过\( 12=2 \times 3 \times 3 \)可以得到『12的倍数可以被3整除,或者12不能被5整除』。
- 特征向量:方阵\( \boldsymbol{A} \)的特征向量,是指与\( \boldsymbol{A} \)相乘后相当于对该向量进行缩放的非零向量,即\( \boldsymbol{A}\nu =\lambda \nu \)。
- 特征值:标量\( \lambda \)被称为这个特征向量对应的特征值。
使用特征分解去分析矩阵\( \boldsymbol{A} \)时,得到特征向量\( \nu \)构成的矩阵\( \boldsymbol{Q} \)和特征值构成的向量\( \boldsymbol{\Lambda } \),我们可以重新将\( \boldsymbol{A} \)写作:\( \boldsymbol{A} = \boldsymbol{Q} \boldsymbol{\Lambda} \boldsymbol{Q}^{-1} \)
7.奇异值分解(Singular Value Decomposition,SVD)
矩阵的特征分解是有前提条件的。只有可对角化的矩阵,才可以进行特征分解。实际很多矩阵不满足这一条件,这时候怎么办呢?
将矩阵\( \boldsymbol{A} \)分解成三个矩阵的乘积\( \boldsymbol{A} = \boldsymbol{U} \boldsymbol{D} \boldsymbol{V}^{-1} \)。
- 假设\( \boldsymbol{A} \)是一个\( mn \)矩阵,那么\( \boldsymbol{U} \)是一个\( mm \)矩阵,\( D \)是一个\( mn \)矩阵,\( V \)是一个\( nn \)矩阵。
\( \boldsymbol{U} \boldsymbol{V} \boldsymbol{D} \)这几个矩阵都拥有特殊的结构:
- \( \boldsymbol{U} \)和\( \boldsymbol{V} \)都是正交矩阵,矩阵\( \boldsymbol{U} \)的列向量被称为左奇异向量,矩阵\( \boldsymbol{V} \) 的列向量被称右奇异向量。
- \( \boldsymbol{D} \)是对角矩阵(注意,\( \boldsymbol{D} \)不一定是方阵)。对角矩阵\( \boldsymbol{D} \)对角线上的元素被称为矩阵\( \boldsymbol{A} \)的奇异值。
AI中的应用:SVD最有用的一个性质可能是拓展矩阵求逆到非方矩阵上。而且大家在推荐系统中也会见到基于SVD的算法应用。
8.Moore-Penrose广义逆/伪逆(Moore-Penrose Pseudoinverse)
假设在下面问题中,我们想通过矩阵\( \boldsymbol{A} \)的左逆\( \boldsymbol{B} \)来求解线性方程:\( \boldsymbol{A} x=y \),等式两边同时左乘左逆B后,得到:\( x=\boldsymbol{B} y \)。是否存在唯一的映射将\( \boldsymbol{A} \)映射到\( \boldsymbol{B} \),取决于问题的形式:
- 如果矩阵\( \boldsymbol{A} \)的行数大于列数,那么上述方程可能没有解;
- 如果矩阵\( \boldsymbol{A} \)的行数小于列数,那么上述方程可能有多个解。
Moore-Penrose伪逆使我们能够解决这种情况,矩阵\( \boldsymbol{A} \)的伪逆定义为:
$$\boldsymbol{A}^{+}=\lim _{a \rightarrow 0}\left(\boldsymbol{A}^{T} \boldsymbol{A}+\alpha \boldsymbol{I}\right)^{-1} \boldsymbol{A}^{T}$$
但是计算伪逆的实际算法没有基于这个式子,而是使用下面的公式:
$$\boldsymbol{A}^{+}=\boldsymbol{U} \boldsymbol{D}^{+} \boldsymbol{V}^{T}$$
- 矩阵\( \boldsymbol{U} \)、\( \boldsymbol{D} \)和\( \boldsymbol{V}^{T} \)是矩阵\( \boldsymbol{A} \)奇异值分解后得到的矩阵;
- 对角矩阵\( \boldsymbol{D} \)的伪逆\( \boldsymbol{D}^{+} \)是其非零元素取倒之后再转置得到的。
9.常用的距离度量
在机器学习里,大部分运算都是基于向量的,一份数据集包含n个特征字段,那每一条样本就可以表示为n维的向量,通过计算两个样本对应向量之间的距离值大小,有些场景下能反映出这两个样本的相似程度。还有一些算法,像KNN和K-means,非常依赖距离度量。
设有两个\( n \)维变量:
$$A=[ x_{11}, x_{12},...,x_{1n} ] ^{T}$$
$$B=[ x_{21} ,x_{22} ,...,x_{2n} ] ^{T}$$
一些常用的距离公式定义如下:
1)曼哈顿距离(Manhattan Distance)
曼哈顿距离也称为城市街区距离,数学定义如下:
$$d_{12} =\sum_{k=1}^{n}{| x_{1k}-x_{2k} | }$$
曼哈顿距离的Python实现:
import numpy as np
vector1 = np.array([1,2,3])
vector2 = np.array([4,5,6])
manhaton_dist = np.sum(np.abs(vector1-vector2))
print("曼哈顿距离为", manhaton_dist)
2)欧氏距离(Euclidean Distance)
欧氏距离其实就是L2范数,数学定义如下:
$$d_{12} =\sqrt{\sum_{k=1}^{n}{( x_{1k} -x_{2k} ) ^{2} } }$$
欧氏距离的Python实现:
import numpy as np
vector1 = np.array([1,2,3])
vector2 = np.array([4,5,6])
eud_dist = np.sqrt(np.sum((vector1-vector2)**2))
print("欧式距离为", eud_dist)
3)闵氏距离(Minkowski Distance)
从严格意义上讲,闵可夫斯基距离不是一种距离,而是一组距离的定义:
$$d_{12} =\sqrt[p]{\sum_{k=1}^{n}{( x_{1k} -x_{2k} ) ^{p} } }$$
实际上,当\( p=1 \) 时,就是曼哈顿距离;当\( p=2 \) 时,就是欧式距离。
4)切比雪夫距离(Chebyshev Distance)
切比雪夫距离就是无穷范数,数学表达式如下:
$$d_{12} =max( | x_{1k}-x_{2k} |)$$
切比雪夫距离的Python实现如下:
import numpy as np
vector1 = np.array([1,2,3])
vector2 = np.array([4,5,6])
cb_dist = np.max(np.abs(vector1-vector2))
print("切比雪夫距离为", cb_dist)
5)余弦相似度(Cosine Similarity)
余弦相似度的取值范围为[-1,1],可以用来衡量两个向量方向的差异:
- 夹角余弦越大,表示两个向量的夹角越小;
- 当两个向量的方向重合时,夹角余弦取最大值1;
- 当两个向量的方向完全相反时,夹角余弦取最小值-1。
机器学习中用这一概念来衡量样本向量之间的差异,其数学表达式如下:
$$cos\theta =\frac{AB}{| A | |B | } =\frac{\sum_{k=1}^{n}{x_{1k}x_{2k} } }{\sqrt{\sum_{k=1}^{n}{x_{1k}^{2} } } \sqrt{\sum_{k=1}^{n}{x_{2k}^{2} } } }$$
夹角余弦的Python实现:
import numpy as np
vector1 = np.array([1,2,3])
vector2 = np.array([4,5,6])
cos_sim = np.dot(vector1, vector2)/(np.linalg.norm(vector1)*np.linalg.norm(vector2))
print("余弦相似度为", cos_sim)
6)汉明距离(Hamming Distance)
汉明距离定义的是两个字符串中不相同位数的数目。例如,字符串‘1111’与‘1001’之间的汉明距离为2。信息编码中一般应使得编码间的汉明距离尽可能的小。
$$d_{12} = \sum_{k=1}^{n} \left ( x_{1k} \oplus x_{2k}\right )$$
汉明距离的Python实现:
import numpy as np
a=np.array([1, 1, 1, 1, 1, 1, 0, 1, 1, 0, 1, 1, 1, 0, 0, 0, 0, 1, 1, 1, 0])
b=np.array([1, 1, 1, 1, 0, 1, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 0, 1, 1, 0, 1])
hanm_dis = np.count_nonzero(a!=b)
print("汉明距离为", hanm_dis)
7)杰卡德系数(Jaccard Index)
两个集合\( A\( 和\( B\( 的交集元素在\( A\( 和\( B\( 的并集中所占的比例称为两个集合的杰卡德系数,用符号\( J(A,B)\( 表示,数学表达式为:
$$J( A,B ) =\frac{| A\cap B| }{|A\cup B | }$$
杰卡德相似系数是衡量两个集合的相似度的一种指标。一般可以将其用在衡量样本的相似度上。
8)杰卡德距离(Jaccard Distance)
与杰卡德系数相反的概念是杰卡德距离,其定义式为:
$$J_{\sigma} =1-J( A,B ) =\frac{| A\cup B | -| A\cap B | }{| A\cup B | }$$
杰卡德距离的Python实现:
import numpy as np
vec1 = np.random.random(10)>0.5
vec2 = np.random.random(10)>0.5
vec1 = np.asarray(vec1, np.int32)
vec2 = np.asarray(vec2, np.int32)
up=np.double(np.bitwise_and((vec1 != vec2),np.bitwise_or(vec1 != 0, vec2 != 0)).sum())
down=np.double(np.bitwise_or(vec1 != 0, vec2 != 0).sum())
jaccard_dis =1-(up/down)
print("杰卡德距离为", jaccard_dis)