阅读翻译Mathematics for Machine Learning之2.8 Affine Subspaces

关于：

• 首次发表日期：2024-07-24
• Mathematics for Machine Learning官方链接： https://mml-book.com
• ChatGPT和KIMI机翻，人工润色
• 非数学专业，如有错误，请不吝指出

2.8 仿射空间

接下来，我们将更详细地考察从原点偏移的空间，即不再是向量子空间的空间。此外，我们还将简要讨论这些仿射空间之间映射的性质，这些映射类似于线性映射.

备注。在机器学习文献中，线性和仿射之间的区别有时并不明确，以至于我们可以发现将仿射空间/映射称为线性空间/映射的参考文献.

2.8.1 仿射空间

定义 2.25（仿射子空间）。设 \(V\) 为一个向量空间，\(\boldsymbol{x}_0 \in V\)，\(U \subseteq V\) 为一个子空间。那么子集 。

称为 \(V\) 的仿射子空间或线性流形（linear manifold）。\(U\) 称为方向或方向空间（direction space），\(\boldsymbol{x}_0\) 称为支点（support point）。在第12章中，我们将这种子空间称为超平面.

注意，如果 \(\boldsymbol{x}_0 \notin U\)，则仿射子空间的定义排除了 \(\mathbf{0}\)。因此，对于 \(\boldsymbol{x}_0 \notin U\)，仿射子空间不是 \(V\) 的（线性）子空间（向量子空间）.

仿射子空间的例子有 \(\mathbb{R}^3\) 中的点、线和平面，这些点、线和平面不（一定）通过原点.

备注。考虑向量空间 \(V\) 的两个仿射子空间 \(L = \boldsymbol{x}_0 + U\) 和 \(\tilde{L} = \tilde{\boldsymbol{x}}_0 + \tilde{U}\)。当且仅当 \(U \subseteq \tilde{U}\) 且 \(x_0 - \tilde{x}_0 \in \tilde{U}\) 时，\(L \subseteq \tilde{L}\).

仿射子空间通常由参数描述：考虑一个 \(V\) 的 \(k\) 维仿射空间 \(L = \boldsymbol{x}_0 + U\)。如果 \(\left(\boldsymbol{b}_1, \ldots, \boldsymbol{b}_k\right)\) 是 \(U\) 的一个有序基，那么每个元素 \(\boldsymbol{x} \in L\) 都可以唯一地描述为 。

其中 \(\lambda_1, \ldots, \lambda_k \in \mathbb{R}\)。这种表示称为具有方向向量 \(\boldsymbol{b}_1, \ldots, \boldsymbol{b}_k\) 和参数 \(\lambda_1, \ldots, \lambda_k\) 的 \(L\) 的参数方程.

• 一维仿射子空间称为直线，可以写作 \(\boldsymbol{y}=\boldsymbol{x}_0+\lambda \boldsymbol{b}_1\)，其中 \(\lambda \in \mathbb{R}\)，\(U=\operatorname{span}\left[\boldsymbol{b}_1\right] \subseteq \mathbb{R}^n\) 是 \(\mathbb{R}^n\) 的一维子空间。这意味着直线由一个支点 \(\boldsymbol{x}_0\) 和一个定义方向的向量 \(\boldsymbol{b}_1\) 定义。参见图 2.13 了解示意图。
• \(\mathbb{R}^n\) 的二维仿射子空间称为平面。平面的参数方程为 \(\boldsymbol{y}=\boldsymbol{x}_0+\lambda_1 \boldsymbol{b}_1+\lambda_2 \boldsymbol{b}_2\)，其中 \(\lambda_1, \lambda_2 \in \mathbb{R}\)，\(U=\operatorname{span}\left[\boldsymbol{b}_1, \boldsymbol{b}_2\right] \subseteq \mathbb{R}^n\)。这意味着平面由一个支点 \(\boldsymbol{x}_0\) 和两个线性独立的向量 \(\boldsymbol{b}_1, \boldsymbol{b}_2\) 定义，这两个向量张成方向空间（span the direction space）。
• 在 \(\mathbb{R}^n\) 中，\((n-1)\) 维仿射子空间被称为超平面，相应的参数方程为 \(\boldsymbol{y}=\boldsymbol{x}_0+\sum_{i=1}^{n-1} \lambda_i \boldsymbol{b}_i\)，其中 \(\boldsymbol{b}_1, \ldots, \boldsymbol{b}_{n-1}\) 构成 \(\mathbb{R}^n\) 的一个 \((n-1)\) 维子空间 \(U\) 的基。这意味着超平面由一个支点 \(\boldsymbol{x}_0\) 和 \((n-1)\) 个线性独立的向量 \(\boldsymbol{b}_1, \ldots, \boldsymbol{b}_{n-1}\) 定义，这些向量张成方向空间。在 \(\mathbb{R}^2\) 中，直线也是超平面。在 \(\mathbb{R}^3\) 中，平面也是超平面。

备注（非齐次线性方程组和仿射子空间）。对于 \(\boldsymbol{A} \in \mathbb{R}^{m \times n}\) 和 \(\boldsymbol{x} \in \mathbb{R}^m\)，线性方程组 \(\boldsymbol{A} \boldsymbol{\lambda}=\boldsymbol{x}\) 的解要么是空集，要么是 \(\mathbb{R}^n\) 中维度为 \(n-\operatorname{rk}(\boldsymbol{A})\) 的仿射子空间。特别地，当 \(\left(\lambda_1, \ldots, \lambda_n\right) \neq (0, \ldots, 0)\) 时，线性方程 \(\lambda_1 \boldsymbol{b}_1 + \ldots + \lambda_n \boldsymbol{b}_n = \boldsymbol{x}\) 的解是 \(\mathbb{R}^n\) 中的一个超平面.

在 \(\mathbb{R}^n\) 中，每个 \(k\) 维仿射子空间都是非齐次线性方程组 \(\boldsymbol{A x}=\boldsymbol{b}\) 的解，其中 \(\boldsymbol{A} \in \mathbb{R}^{m \times n}\)，\(\boldsymbol{b} \in \mathbb{R}^m\) 并且 \(\operatorname{rk}(\boldsymbol{A})=n-k\)。回想一下，对于齐次方程组 \(\boldsymbol{A x}=\mathbf{0}\)，解是一个向量子空间，我们也可以将其视为一个特殊的仿射空间，其支点为 \(\boldsymbol{x}_0=\mathbf{0}\).

2.8.2 仿射映射

类似于我们在 2.7 节讨论的向量空间之间的线性映射，我们可以在两个仿射空间之间定义仿射映射。线性映射和仿射映射密切相关。因此，我们从线性映射中已经知道的许多性质，例如线性映射的复合（composition）是一个线性映射，也适用于仿射映射.

定义 2.26（仿射映射）。对于两个向量空间 \(V, W\)，一个线性映射 \(\Phi: V \rightarrow W\)，以及 \(\boldsymbol{a} \in W\)，映射 。

是从 \(V\) 到 \(W\) 的仿射映射。向量 \(\boldsymbol{a}\) 被称为 \(\phi\) 的平移向量.

• 每一个仿射映射 \(\phi: V \rightarrow W\) 也是线性映射 \(\Phi: V \rightarrow W\) 和 \(W\) 中的平移 \(\tau: W \rightarrow W\) 的复合，使得 \(\phi = \tau \circ \Phi\)。映射 \(\Phi\) 和 \(\tau\) 是唯一确定的（uniquely determined）。
• 仿射映射 \(\phi: V \rightarrow W, \phi^{\prime}: W \rightarrow X\) 的复合 \(\phi^{\prime} \circ \phi\) 是仿射的。
• 如果 \(\phi\) 是双射的，仿射映射保持几何结构不变。它们还保留维度和平行性。

最后此篇关于阅读翻译MathematicsforMachineLearning之2.8AffineSubspaces的文章就讲到这里了,如果你想了解更多关于阅读翻译MathematicsforMachineLearning之2.8AffineSubspaces的内容请搜索CFSDN的文章或继续浏览相关文章，希望大家以后支持我的博客！ 。