本文主要是介绍线性代数|机器学习-P35距离矩阵和普鲁克问题，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
文章目录
- 1. 距离矩阵
- 2. 正交普鲁克问题
- 3. 实例说明
1. 距离矩阵
假设有三个点 x 1 , x 2 , x 3 x_1,x_2,x_3 x1,x2,x3,三个点距离如下：
∣ ∣ x 1 − x 2 ∣ ∣ 2 = 1 , ∣ ∣ x 2 − x 3 ∣ ∣ 2 = 1 , ∣ ∣ x 1 − x 3 ∣ ∣ 2 = 6 \begin{equation} ||x_1-x_2||^2=1,||x_2-x_3||^2=1,||x_1-x_3||^2=6 \end{equation} ∣∣x1−x2∣∣2=1,∣∣x2−x3∣∣2=1,∣∣x1−x3∣∣2=6
- 根据上面的公式发现不满足三角不等式定理，两边之和大于第三边 1 + 1 ≤ 6 1+1\le6 1+1≤6
- 根据三个点组成的距离矩阵Distance Matrix如下：
D = [ 0 1 6 1 0 1 6 1 0 ] \begin{equation} D=\begin{bmatrix} 0&1&6\\\\ 1&0&1\\\\ 6&1&0 \end{bmatrix} \end{equation} D= 016101610 - 假设我们有两个点 x 1 , x 2 x_1,x^2 x1,x2,那么 d i j d_{ij} dij的定义：
D i j = ∣ ∣ x i − x j ∣ ∣ 2 = ( x i − x j ) T ( x i − x j ) = x i T x i − x i T x j − x j T x i + x j T x j \begin{equation} D_{ij}=||x_i-x_j||^2=(x_i-x_j)^T(x_i-x_j)=x_i^Tx_i-x_i^Tx_j-x_j^Tx_i+x_j^Tx_j \end{equation} Dij=∣∣xi−xj∣∣2=(xi−xj)T(xi−xj)=xiTxi−xiTxj−xjTxi+xjTxj - 由于对称性可得： x i T x j = x j T x i x_i^Tx_j=x_j^Tx_i xiTxj=xjTxi,故化简可得：
D i j = x i T x i − 2 x i T x j + x j T x j \begin{equation} D_{ij}=x_i^Tx_i-2x_i^Tx_j+x_j^Tx_j \end{equation} Dij=xiTxi−2xiTxj+xjTxj - 为了方便计算，我们定义一个矩阵G表示如下：
X = [ x i x j ] ; X T = [ x i T x j T ] → G = X T X = [ x i T x i x i T x j x j T x i x j T x j ] \begin{equation} X=\begin{bmatrix}x_i&x_j\end{bmatrix};X^T=\begin{bmatrix}x_i^T\\\\x_j^T\end{bmatrix}\to G=X^TX=\begin{bmatrix}x_i^Tx_i&x_i^Tx_j\\\\x_j^Tx_i&x_j^Tx_j\end{bmatrix} \end{equation} X=[xixj];XT= xiTxjT →G=XTX= xiTxixjTxixiTxjxjTxj - 由此我们可以用G来表示D如下：
D i j = G i i − 2 G i j + G j j \begin{equation} D_{ij}=G_{ii}-2G_{ij}+G_{jj} \end{equation} Dij=Gii−2Gij+Gjj - 优势：为什么我们要这么费力的做？原因在于，我们求D矩阵的时候，我们需要不断的进行多重循环，效率非常低，如果我们这种方法，第一步通过点乘求得矩阵G，第二步只需要简单的抽取矩阵G中的元素，第三步就通过简单的加减乘除即可得到同样结果的距离矩阵D，结果是一样，但是此种算法大大减少了计算量，真是太神奇了！！！
- 参考链接：
斯坦福CS231N课程笔记（三）-距离矩阵的计算方法
2. 正交普鲁克问题
假设有两个矩阵A,B ，我们希望找到一个正交矩阵Q，使得 ∣ ∣ A Q − B ∣ ∣ F ||AQ-B||_F ∣∣AQ−B∣∣F最小？
min ∣ ∣ A Q − B ∣ ∣ F ; s t : Q T Q = I \begin{equation} \min||AQ-B||_F;st:Q^TQ=I \end{equation} min∣∣AQ−B∣∣F;st:QTQ=I
- 其中 A , B ∈ R m × n A,B\in R^{m\times n} A,B∈Rm×n，待求 Q ∈ R n × n Q\in R^{n\times n} Q∈Rn×n为正交矩阵
3. 实例说明
- 假设我们有一个矩阵A,B表示如下，希望找到一个正交矩阵Q使得 ∣ ∣ A Q − B ∣ ∣ F ||AQ-B||_F ∣∣AQ−B∣∣F尽可能的小？
A = [ 1 0 0 1 1 1 ] ; B = [ 0 − 1 1 0 1 − 1 ] ; \begin{equation} A=\begin{bmatrix} 1&0\\\\ 0&1\\\\ 1&1\end{bmatrix};B=\begin{bmatrix} 0&-1\\\\ 1&0\\\\ 1&-1\end{bmatrix}; \end{equation} A= 101011 ;B= 011−10−1 ; - 第一步： 求矩阵C
C = A T B = [ 1 0 1 0 1 1 ] [ 0 − 1 1 0 1 − 1 ] = [ 1 − 2 2 − 1 ] ; \begin{equation} C=A^TB=\begin{bmatrix} 1&0&1\\\\ 0&1&1\end{bmatrix}\begin{bmatrix} 0&-1\\\\ 1&0\\\\ 1&-1\end{bmatrix}=\begin{bmatrix} 1&-2\\\\ 2&-1\end{bmatrix}; \end{equation} C=ATB= 100111 011−10−1 = 12−2−1 ; - 第二步：将矩阵C进行奇异值分解SVD:
C = U Σ V T ; U = [ − 1 2 − 1 2 − 1 2 1 2 ] Σ = [ 3 0 0 1 ] ; V T = [ − 1 2 1 2 1 2 1 2 ] \begin{equation} C=U\Sigma V^T;U=\begin{bmatrix} -\frac{1}{\sqrt{2}}&-\frac{1}{\sqrt{2}}\\\\ -\frac{1}{\sqrt{2}}&\frac{1}{\sqrt{2}}\end{bmatrix} \Sigma=\begin{bmatrix} 3&0\\\\ 0&1\end{bmatrix};V^T=\begin{bmatrix} -\frac{1}{\sqrt{2}}&\frac{1}{\sqrt{2}}\\\\ \frac{1}{\sqrt{2}}&\frac{1}{\sqrt{2}}\end{bmatrix} \end{equation} C=UΣVT;U= −21−21−2121 Σ= 3001 ;VT= −21212121 - 第三步： 求出正交矩阵Q
Q = U V T = [ − 1 2 − 1 2 − 1 2 1 2 ] [ − 1 2 1 2 1 2 1 2 ] = [ 0 − 1 1 0 ] \begin{equation} Q=UV^T=\begin{bmatrix} -\frac{1}{\sqrt{2}}&-\frac{1}{\sqrt{2}}\\\\ -\frac{1}{\sqrt{2}}&\frac{1}{\sqrt{2}}\end{bmatrix} \begin{bmatrix} -\frac{1}{\sqrt{2}}&\frac{1}{\sqrt{2}}\\\\ \frac{1}{\sqrt{2}}&\frac{1}{\sqrt{2}}\end{bmatrix}= \begin{bmatrix} 0&-1\\\\ 1&0\end{bmatrix} \end{equation} Q=UVT= −21−21−2121 −21212121 = 01−10 - 第四步，验证 ∣ ∣ A Q − B ∣ ∣ ||AQ-B|| ∣∣AQ−B∣∣：
∣ ∣ A Q − B ∣ ∣ F = 0 \begin{equation} ||AQ-B||_F=0 \end{equation} ∣∣AQ−B∣∣F=0 - 小结：这种方法还真能够找到正交矩阵Q.
这篇关于线性代数|机器学习-P35距离矩阵和普鲁克问题的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
