4. Subspace
오늘은 mit Gilbert Strang 선생님의 선형대수 Subspace에 관한 부분을 정리해 보았다.
I. 4 Fundamental Subspaces
A is m x n
- columnspace C(A) in
dimension of C(A) = # of pivot columns = rank r - nullspace N(A) in
dimension of N(A) = # of free variables = n - r - rowspace = all combs of rows = all combs of columns =
same dimension as columnspace - nullspace of N() = left nullspace of A
dimension = m - r left nullspace라는 이름은 row벡터로 만들면 왼쪽에 오기 때문 ()
II. Orthogonal Vectors and Subspaces
1) Test for orthogonality: dot product is zero()
orthogonal한 벡터 간에는 피타고라스 정리가 성립한다.
2) Subspace S와 T가 orthogonal하다는 것의 의미
S에 속한 모든 벡터가 T에 속한 모든 벡터와 orthogonal하다.
=> Rowspace is Orthogonal to nullspace - 이유
=> Rowspace and Nullspace are orthogonal complements in // 둘의 dimension을 더하면 n
Nullspace contains all vectors perpendicular to rowspace
=> 양쪽변에 를 곱해준다.
How to “solve” the equation when there is no solution?
m > n
실생활에서 noise 때문에 A를 제대로 알 수 없는 경우 - noise를 제거해야.
: square, symmetric, invertible?
rank of = rank of A
is invertible exactly if A has independent columns
III. Projections onto Subspaces
- Projection Matrix (P)
projp = Pb P =
columnspace of C(P) = line through a
rank(P) = 1
- P is symmetric
-
Projection이 필요한 이유? Ax=b의 해가 없을 수도 있어서 가장 비슷한 문제를 푼다. => Solve Ax = p(proj of b onto columnspace) Key: b-Ax is perpendicular to plane
What subsapce is error vector e(b-Ax) in?
e is in =>
e is perpendicular to C(A)
P = Ax = A(A^TA)^(-1)A^Tb
-
Application: Least squares fitting by a line