Algebra lineare pratica per la scienza dei dati

Capitolo 9. Matrici ortogonali e decomposizione QR

Questo lavoro è stato tradotto utilizzando l'AI. Siamo lieti di ricevere il tuo feedback e i tuoi commenti: [e-mail]

In questo libro imparerai cinque scomposizioni principali: scomposizione vettoriale ortogonale, scomposizione QR, scomposizione LU, scomposizione eigendecomposizione e scomposizione del valore singolare. Queste non sono le uniche scomposizioni dell'algebra lineare, ma sono le più importanti per la scienza dei dati e l'apprendimento automatico.

In questo capitolo imparerai a conoscere le QR. E lungo il percorso imparerai un nuovo tipo speciale di matrice (ortogonale). La decomposizione QR è un cavallo di battaglia che permette di realizzare applicazioni come l'inversione di matrici, l'adattamento di modelli ai minimi quadrati e l'eigendecomposizione. Pertanto, comprendere e acquisire familiarità con la decomposizione QR ti aiuterà a migliorare le tue competenze in algebra lineare.

Matrici ortogonali

Inizierò presentandoti le matrici ortogonali. Una matrice ortogonale è una matrice speciale che è importante per diverse decomposizioni, tra cui la QR, l'eigendecomposizione e la decomposizione del valore singolare. La lettera $𝐐$ viene spesso utilizzata per indicare le matrici ortogonali. Le matrici ortogonali hanno due proprietà:

Colonne ortogonali

Tutte le colonne sono ortogonali a coppie.

Colonne con norma unitaria

La norma (lunghezza geometrica) di ciascuna colonna è esattamente 1.