知识卡片
线性代数接口按问题选择
linalg的inv用于逆、pinv用于伪逆,qr/svd用于不同分解,eig给特征信息,solve处理方阵方程,lstsq处理最小二乘;diag/trace/det分别服务对角元素、迹与行列式。它们不是同一问题的可互换名称,尤其不能从一个随机样例可求逆推断所有方阵均可逆或数值稳定。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- · 查看原书依据
矩阵分解、行列式以及其他方阵数学等)是任何数组库的重要组成部分。不像某些语言(如MATLAB),通过*对两个二维数组相乘得到的是一个元素级的积,而不是一个矩阵点积。因此,NumPy提供了一个用于矩阵乘法的dot函数(既是一个数组方法也是numpy命名空间中的一个函数): In [194]: x = np.array([[1., 2., 3.], [4., 5
参考来源
- 位置:《利用Python进行数据分析》第4章《线性代数》(spine276;extracted/OReilly精品图书系列共21册(《Javascript权威指南》、《机器学习:实用案例解析》、《编写可读代码的艺术》、《算法精解》等)/_epub-src/text/part0262.html;u099-ch04-040)。
- 结论依据:原文在“矩阵分解”附近的定义、例子或代码支撑本卡核心说明:linalg的inv用于逆、pinv用于伪逆,qr/svd用于不同分解,eig给特征信息,solve处理方阵方程,lstsq处理最小二乘;diag/trace/det分别服务对角元素、迹与行列式。边界按已读前提解释;示例未执行。
- 原始内容:矩阵分解、行列式以及其他方阵数学等)是任何数组库的重要组成部分。不像某些语言(如MATLAB),通过*对两个二维数组相乘得到的是一个元素级的积,而不是一个矩阵点积。因此,NumPy提供了一个用于矩阵乘法的dot函数(既是一个数组方法也是numpy命名空间中的一个函数): In [194]: x = np.array([[1., 2., 3.], [4., 5