Python应用-矩阵乘法-特征提取

素颜马尾好姑娘i 2024-02-22 08:56 15阅读 0赞

#### 目录 ####

*  常规运算
 *  应用场景：特征提取
 *   *  特征矩阵
     *  权重矩阵
     *  举例说明
     *  代码展示

## 常规运算 ##

import numpy as np
    
    matrix1 = np.array([[1, 2], [3, 4]])
    matrix2 = np.array([[5, 6], [7, 8]])
    result = np.dot(matrix1, matrix2)
    print(result)

输出结果：  
![在这里插入图片描述][31999501d13b4996ae72c19996430853.png_pic_center]

[[19 22]
     [43 50]]

## 应用场景：特征提取 ##

*  在机器学习中，矩阵乘法被广泛应用于**多维数据处理、特征提取和模型训练**。例如，在线性回归、逻辑回归等算法中，需要**计算特征矩阵和权重矩阵的乘积来得到预测结果**。
 *  矩阵乘法在特征提取中通常用于计算两个矩阵的乘积，以便得到一个新的矩阵，该矩阵包含原始矩阵的特征值和特征向量。在 Python 中，可以使用 numpy 库来实现矩阵乘法。

### 特征矩阵 ###

*  特征矩阵是一个由特征向量组成的矩阵，其中每一行都是一个特征向量，表示数据集中的一个样本。特征向量是原始数据经过某种变换（如 PCA）后得到的一组新的变量，它们是原始数据的代表，可以用于表示数据的某些特征。

### 权重矩阵 ###

*  权重矩阵是一个由权重向量组成的矩阵，其中每一行都是一个权重向量，表示模型对每个特征的重视程度。在机器学习中，权重向量通常是通过训练数据来得到的，它们可以帮助模型在不同特征之间进行权衡，从而提高模型的预测能力。

### 举例说明 ###

一个简单的线性回归模型中，特征矩阵可以表示为：

[1, 2, 3]  
    [4, 5, 6]  
    [7, 8, 9]

权重矩阵可以表示为：

[2, 1]  
    [5, 3]  
    [8, 7]

**其中，特征矩阵的每一行表示一个样本的特征向量，权重矩阵的每一行表示模型对每个特征的权重。**

### 代码展示 ###

import numpy as np
    
    # 定义输入矩阵
    input_matrix = np.array([[1, 2, 3],
                             [4, 5, 6],
                             [7, 8, 9]])
    
    # 定义特征矩阵
    feature_matrix = np.array([[1, 0, 1],
                               [0, 1, 0],
                               [0, 1, 0]])
    
    # 使用矩阵乘法进行特征提取
    output_matrix = np.dot(input_matrix, feature_matrix)
    
    print(output_matrix)

![在这里插入图片描述][19af6e93d6914217aa9cfffb690c3528.png_pic_center]

*  因此，C 的每一行都是 A 的一个特征向量与 B 的一个特征向量的内积。这个内积可以被解释为一个特征向量在 B 的方向上的投影长度，因此C 中的每个元素都可以被解释为一个特征向量的长度。
 *  在实际应用中，矩阵 A 通常是一个**包含多个特征向量的矩阵**，而矩阵 B 则是一个**包含与每个特征向量相关联的权重向量的矩阵**。通过计算矩阵乘积 C,可以**得到每个特征向量在对应权重向量方向上的投影长度，从而提取出特征**。

[31999501d13b4996ae72c19996430853.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/22/4cd1dc2389b54c4ab3c8833bd52289de.png
[19af6e93d6914217aa9cfffb690c3528.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/02/22/d783bc6afaeb4bed9fd6fbcaaaf52d11.png