机器学习第六讲：向量/矩阵 → 数据表格的数学表达，如Excel表格转数字阵列

机器学习第六讲：向量/矩阵 → 数据表格的数学表达，如Excel表格转数字阵列

资料取自《零基础学机器学习》。
查看总目录：学习大纲

关于DeepSeek本地部署指南可以看下我之前写的文章：DeepSeek R1本地与线上满血版部署：超详细手把手指南

一、生活化比喻：数据世界的乐高积木 🧱

比喻场景¹：
假设学校图书馆有三种数据记录方式：

二、Excel表格转化演示 💻（教材第六章经典案例²）

例：3月电子产品销售表

转化为矩阵表示：

数学表示：
$$M=\left[\begin{array}{cc}120& 2999\\ 85& 599\\ 200& 129\end{array}\right]$$

三、核心运算规则解析 ⚡️

1. 加法运算：要求同维度矩阵

2. 标量乘法：数乘每个元素

# 如数据整体涨价10%
价格矩阵 = [[2999],[599],[129]]
新价格 = 1.1 * 价格矩阵  # [[3298.9],[658.9],[141.9]]

3. 矩阵乘法：行乘列的奇妙规则³

四、数据科学中的现实价值 📊

五、图像处理的魔法揭秘 🖼️

原理：
每个图片本质上都是像素值矩阵，例如：

代码示例（教材第六章代码片段⁴）：

import numpy as np
# 创建100x100像素的红色方块矩阵 
red_block = np.ones((100,100)) * 255
green_block = np.zeros((100,100))
blue_block = np.zeros((100,100))

六、易犯错误警示牌 🚨（注意事项⁵）

1. 尺寸错误：试图相加3×2和2×3矩阵

2. 空值污染：Excel中的N/A未处理直接运算

原始数据：[120, null, 200]
错误计算：sum = 120 + null + 200 → NaN

3. 内存爆炸：处理100万×100万维度的超大型矩阵时需要先做数据分块

七、核心要义总结 💎

向量与矩阵是用数学语言精确描述多维数据的基础工具，如同建筑的砖瓦构成数据科学大厦（教材第六章核心结论¹）

（典型案例：Netflix用户-影片评分矩阵是推荐算法的关键输入数据🎬）

目录：总目录
上篇文章：机器学习第五讲：强化学习 → 电子宠物狗试错学习，做对给虚拟奖励
下篇文章：机器学习第七讲：概率统计 → 预测可能性，下雨概率70%就是典型应用