机器学习入门文档深度页
标量、向量与矩阵
标量表示单值，向量表示一个样本或参数集合，矩阵按行组织多个样本。
学习前需要掌握
基础代数内容待补充
背景与问题
模型公式和代码错误常来自对维度与轴理解不足。
概念定义
标量是单个数；d 维向量是有序数列；n×d 矩阵有 n 行样本和 d 列特征。
直观理解
一格是标量，一行是样本向量，整张表是特征矩阵。
核心原理
矩阵形状携带语义。运算前必须确认样本轴、特征轴和内维是否匹配。
数学表达
核心表达
矩阵形状携带语义。运算前必须确认样本轴、特征轴和内维是否匹配。
变量含义
变量定义与本页概念定义一致，代码中的同名变量保持相同语义。
计算步骤
- 1识别对象维度
- 2标注每个轴语义
- 3检查 shape
- 4执行运算
代码对应位置
示例 1标量、向量与矩阵：最小可验证示例：把正文原理映射为可检查的代码行为。
计算与实现步骤
- 1
识别对象维度
- 2
标注每个轴语义
- 3
检查 shape
- 4
执行运算
- 5
核对输出 shape
代码实现
示例 1
标量、向量与矩阵：最小可验证示例
标量、向量与矩阵：最小可验证示例
NumPy
example_01.py用途：把正文原理映射为可检查的代码行为。
import numpy as np
x = np.array([14.23, 1.71, 1065.0])
X = np.stack([x, x + 1])
print(x.shape, X.shape)代码解析
解析始终位于完整代码下方，并按实际代码段逐项对应。
输入数据与任务
把正文原理映射为可检查的代码行为。
X- 完整特征矩阵，每行一个样本、每列一个特征。
Step 1 · 1–4 行
导入当前步骤需要的数值计算、预处理、模型或评价工具。依赖集中写在代码开头，便于复现。
import numpy as np
x = np.array([14.23, 1.71, 1065.0])
X = np.stack([x, x + 1])
print(x.shape, X.shape)预期输出或运行结果
向量形状 (3,)，矩阵形状 (2,3)。
常见错误 · 3 条
- 混淆行列
- 一维广播产生意外结果
- 确认样本轴、特征轴以及 X 与 y 的第一维完全对应。
实际应用
- 特征矩阵
- 权重向量
- 批量预测
常见错误
混淆行列
一维广播产生意外结果
文档来源
01｜数学与数据基础原始文档
学习资料/learning_tech/01_math_data_foundations.md- §1 标量、向量和矩阵
推荐学习资料
暂未收录相关资料
参考库不会生成虚假资源或无效外部链接。