当前位置: 首页 > article >正文

线性判别分析 (LDA)中目标函数两个相似公式 分子 之间的转换过程

本文是对以下文章的分子部分更加详细的说明
线性判别分析 (LDA)中目标函数两个相似公式之间的转换过程


二次型是指一个关于向量的二次函数,通常表示为 Q ( x ) = x T A x Q(x) = x^T A x Q(x)=xTAx,其中 x x x 是一个列向量, A A A 是一个对称矩阵。二次型在数学中用于描述涉及向量和矩阵的二次关系。


我们更详细地解释如何将标量平方 ( w T ( μ 0 − μ 1 ) ) 2 \left( w^T (\mu_0 - \mu_1) \right)^2 (wT(μ0μ1))2 表示为二次型 w T ( μ 0 − μ 1 ) ( μ 0 − μ 1 ) T w w^T (\mu_0 - \mu_1)(\mu_0 - \mu_1)^T w wT(μ0μ1)(μ0μ1)Tw

详细步骤:

  1. 标量平方的展开:

    首先,注意到 ( w T ( μ 0 − μ 1 ) ) \left( w^T (\mu_0 - \mu_1) \right) (wT(μ0μ1)) 是一个标量。因此,其平方可以表示为:
    ( w T ( μ 0 − μ 1 ) ) 2 = ( w T ( μ 0 − μ 1 ) ) ( w T ( μ 0 − μ 1 ) ) \left( w^T (\mu_0 - \mu_1) \right)^2 = \left( w^T (\mu_0 - \mu_1) \right) \left( w^T (\mu_0 - \mu_1) \right) (wT(μ0μ1))2=(wT(μ0μ1))(wT(μ0μ1))

  2. 利用标量乘积的性质:

    标量的乘积可以重新排列,因为标量相乘满足交换律:
    ( w T ( μ 0 − μ 1 ) ) ( w T ( μ 0 − μ 1 ) ) = ( w T ( μ 0 − μ 1 ) ) ( ( μ 0 − μ 1 ) T w ) \left( w^T (\mu_0 - \mu_1) \right) \left( w^T (\mu_0 - \mu_1) \right) = \left( w^T (\mu_0 - \mu_1) \right) \left( (\mu_0 - \mu_1)^T w \right) (wT(μ0μ1))(wT(μ0μ1))=(wT(μ0μ1))((μ0μ1)Tw)

    这里,我们利用了以下事实:

    • ( w T ( μ 0 − μ 1 ) ) \left( w^T (\mu_0 - \mu_1) \right) (wT(μ0μ1)) 是标量。
    • ( ( μ 0 − μ 1 ) T w ) \left( (\mu_0 - \mu_1)^T w \right) ((μ0μ1)Tw) 也是标量,且等于 ( w T ( μ 0 − μ 1 ) ) \left( w^T (\mu_0 - \mu_1) \right) (wT(μ0μ1))
  3. 重新排列表达式:

    现在,我们可以将标量乘积写成矩阵和向量的乘积形式:
    ( w T ( μ 0 − μ 1 ) ) ( ( μ 0 − μ 1 ) T w ) = w T ( μ 0 − μ 1 ) ( μ 0 − μ 1 ) T w \left( w^T (\mu_0 - \mu_1) \right) \left( (\mu_0 - \mu_1)^T w \right) = w^T (\mu_0 - \mu_1)(\mu_0 - \mu_1)^T w (wT(μ0μ1))((μ0μ1)Tw)=wT(μ0μ1)(μ0μ1)Tw

    这一步中,我们将两个标量乘积重新排列为矩阵乘积:

    • 首先, w T ( μ 0 − μ 1 ) w^T (\mu_0 - \mu_1) wT(μ0μ1) 是一个 1 × 1 1 \times 1 1×1 的标量。
    • 然后, ( μ 0 − μ 1 ) T w (\mu_0 - \mu_1)^T w (μ0μ1)Tw 也是一个标量。
    • 将这两个标量相乘,可以视为矩阵乘法中的括号重新组合。
  4. 理解矩阵乘法的维度匹配:

    为了确保上述等式成立,我们需要检查矩阵维度:

    • ( μ 0 − μ 1 ) (\mu_0 - \mu_1) (μ0μ1) 是一个 n × 1 n \times 1 n×1 的列向量。

    • ( μ 0 − μ 1 ) T (\mu_0 - \mu_1)^T (μ0μ1)T 是一个 1 × n 1 \times n 1×n 的行向量。

    • 因此, ( μ 0 − μ 1 ) ( μ 0 − μ 1 ) T (\mu_0 - \mu_1)(\mu_0 - \mu_1)^T (μ0μ1)(μ0μ1)T 是一个 n × n n \times n n×n 的矩阵。

    • w w w 是一个 n × 1 n \times 1 n×1 的列向量。

    • w T w^T wT 是一个 1 × n 1 \times n 1×n 的行向量。

    • 因此, w T ( μ 0 − μ 1 ) w^T (\mu_0 - \mu_1) wT(μ0μ1) 是一个标量( 1 × 1 1 \times 1 1×1)。

    • 同样地, ( μ 0 − μ 1 ) T w (\mu_0 - \mu_1)^T w (μ0μ1)Tw 也是一个标量。

    • 最终, w T ( μ 0 − μ 1 ) ( μ 0 − μ 1 ) T w w^T (\mu_0 - \mu_1)(\mu_0 - \mu_1)^T w wT(μ0μ1)(μ0μ1)Tw 是一个标量,计算过程为:
      w T [ ( μ 0 − μ 1 ) ( μ 0 − μ 1 ) T ] w w^T [(\mu_0 - \mu_1)(\mu_0 - \mu_1)^T] w wT[(μ0μ1)(μ0μ1)T]w

      这里,内部的 ( μ 0 − μ 1 ) ( μ 0 − μ 1 ) T (\mu_0 - \mu_1)(\mu_0 - \mu_1)^T (μ0μ1)(μ0μ1)T 是矩阵,外部的 w T w^T wT w w w 分别是行向量和列向量。

  5. 总结:

    通过上述步骤,我们成功地将标量平方表示为涉及矩阵和向量的二次型:
    ( w T ( μ 0 − μ 1 ) ) 2 = w T ( μ 0 − μ 1 ) ( μ 0 − μ 1 ) T w \left( w^T (\mu_0 - \mu_1) \right)^2 = w^T (\mu_0 - \mu_1)(\mu_0 - \mu_1)^T w (wT(μ0μ1))2=wT(μ0μ1)(μ0μ1)Tw

    这就是将标量平方转换为二次型的详细过程。


结论:

  • 二次型是指形如 Q ( x ) = x T A x Q(x) = x^T A x Q(x)=xTAx 的函数,其中 A A A 是对称矩阵, x x x 是向量。

  • 我们将标量平方 ( w T ( μ 0 − μ 1 ) ) 2 \left( w^T (\mu_0 - \mu_1) \right)^2 (wT(μ0μ1))2 转换为二次型的步骤是:

    1. 将标量平方展开为自身的乘积。
    2. 利用标量乘积的交换性质,重新排列为矩阵和向量的乘积。
    3. 将表达式写成 w T ( μ 0 − μ 1 ) ( μ 0 − μ 1 ) T w w^T (\mu_0 - \mu_1)(\mu_0 - \mu_1)^T w wT(μ0μ1)(μ0μ1)Tw 的形式。

通过这些步骤,我们成功地将原始的标量平方表达式表示为二次型形式,使得两个公式的分子部分等价。


http://www.kler.cn/a/319941.html

相关文章:

  • 1.8 GPT-4:开创人工智能的新纪元
  • 建造者模式(或者称为生成器(构建器)模式)
  • 【JavaScript】基础内容,HTML如何引用JavaScript, JS 常用的数据类型
  • ORB-SLAM2源码学习: Frame.cc: cv::Mat Frame::UnprojectStereo将某个特征点反投影到三维世界坐标系中
  • 【后端面试总结】tls中.crt和.key的关系
  • Unity搭配VS Code使用
  • AUTOSAR汽车电子嵌入式编程精讲300篇-基于CAN总线的气动控制(中)
  • 用 Django 5 快速生成一个简单 进销存 系统 添加 个打印 按钮
  • 10-pg内核之锁管理器(五)行锁
  • python划分CSV格式的数据集
  • 基于Jeecg-boot开发系统--后端篇
  • OpenHarmony(鸿蒙南向)——平台驱动开发【PIN】
  • Linux系统安装和配置 VNC 服务器
  • C语言 | Leetcode C语言题解之第423题从英文中重建数字
  • Trapezoidal Decomposition梯形分解算法(TCD)
  • 【Linux实践】实验四:Shell实用功能及文件权限
  • PHP API 框架:构建高效API的利器
  • spark读取数据性能提升
  • PostgreSQL技术内幕12:PostgreSQL事务原理解析-锁管理
  • 【Axure视频教程】跨页面控制中继器表格
  • 商城小程序后端开发实践中出现的问题及其解决方法
  • 【算法——双指针】
  • 机器学习中的KNN算法:原理、应用与实践
  • xpath在爬虫中的应用、xpath插件的安装及使用
  • Python爬虫-Post请求中,参数只有value没有key,如何正确处理?
  • 关联式容器——map与set