欢迎关注我的专栏( つ•̀ω•́)つ【人工智能通识】

继续前一篇零基础矩阵运算，来进一步学习矩阵乘法运算的意义。

回顾

矩阵的加法和我们熟悉的加法一样，但矩阵的乘法更像是把第二个矩阵当做权重来考虑，为第一个矩阵求加权和，计算法则是行乘列得到第行列，即：

对应的三个表格是：

• Data数据表：逐条数据（每家店铺各类商品销量）

行数	a类	b类	c类
row01
row02

• Weight权重表：各类双权重（每类商品单个销售价weight和进货价scale）

类型	weight权重	scale放缩
a类
b类
c类

• Result结果表：加权和结果（每家店铺销售总额和进货总额）

条目	weight加权和	scale加权和
row01
row02

综上，数据表多1行，结果就多1行；权重表多1列，结果就多1列；数据表的列数必须与权重表的行数相同。在乘法中前后两个矩阵顺序不能互换。

二项式意义

假设我们只有和两种商品类型的2条数据（2家店铺），和两种商品类型的权重未知（销售价未知），但加权和也就是总销量已知，那么理论上也应该能够求出权重表。

既然是加权和结果，那么我们就可以写作：

求：把两端乘以2得到,与相减消去，得到即。

实际上矩阵乘法可以看做多项式线性方程的简化写法，即：

我们更倾向于调整一下的表示：

关于两列权重的情况请大家自己推理。

矩阵乘法的变量关系

如果我们已知一些条目数据（比如多家店铺多个商品的销售量），以及对应的结果数据（比如销售额），而这些条目数据和结果数据背后隐藏着某种线性相关，可以通过某些特定的加权值求和得到结果数据，那么矩阵乘法就可以表示这样的关系了。

已知多个条目（样本）和结果（标签）求权重，这是机器学习和神经网络的基本思想。

比如的房屋租金预测问题，已知100个包含房屋面积、房屋年龄等多列特征的租房信息（条目样本）以及对应的月租金额（标签结果），如果我们能找到面积的权重、房龄的权重以及每列特征对应的权重，那么我们就可以用这些权重来预测任何面积和房龄的房屋的租金了。

• 样本表（已包含租金结果）

• 权重表

因素类型	权重
面积
房龄
…	…

• 结果表

条目	租金(结果/标签)
阳光花园3#401
乐享花园4#201
…	…

实际上这里的和未必有解，尤其是数据条目有100条的时候，根本不可能100个方程共用2个权重，这就好像并非每家店铺的进货价都一样，销售价都一样，那不太可能。但是我们所需要寻找的正是100条数据样本中的规律，或者说就是有那么两个权重，对100条数据来说都接受的比较好，——虽然都不满意，但也都相差不大，只要总体相差最小的就可以了。

机器学习和神经网络的这个套路一定能成功吗？未必。比如，如果房屋面积和最终租金不是简单线性加权关系，而是是乘方立方n次方关系的话就不行了；更无法确定的是，如果是非线性的离散关系甚至更复杂的关系，也会导致结失败。——所以，机器学习和神经网络需要用更加丰富和复杂的算法来适应更多情况。

欢迎关注我的专栏( つ•̀ω•́)つ【人工智能通识】

每个人的智能新时代

如果您发现文章错误，请不吝留言指正；
如果您觉得有用，请点喜欢；
如果您觉得很有用，欢迎转载~

END