什么是机器学习中的向量
What is vector in terms of machine learning
我想了解什么是机器学习方面的向量。
我查看了以下 2 个链接：
https://en.wikipedia.org/wiki/Support_vector_machine
https://en.wikipedia.org/wiki/Feature_vector.
没看懂。谁能简单解释一下？
我认为你的大部分问题都是因为 向量 是一个有很多用途的通用术语。在这种情况下，可以将其视为值列表或 table 中的一行。数据结构为一维数组； N 个元素的向量是 N 维向量，每个元素一维。
例如，输入 (3.14159, 2.71828, 1.618) 是一个包含 3 个元素的向量，可以表示为三维 space 中的一个点。您的程序将声明一个 1x3 数组（一维数据结构）来保存这三个项目。
这是否有助于您直观地了解基本输入处理？对于 Wronkskian 变换矩阵来说，这不是一个难题 -- 它只是格式和可视化方面的变化。
特征向量只是一行输入。例如，在流行的房价预测机器学习示例中，我们可能具有特征（table 列），包括房屋的建造年份、卧室数量、面积 (m^2) 和车库大小（汽车容量）。这将给出输入向量，例如
[1988, 4, 200, 2]
[2001, 3, 220, 1]
等等
简单来说，
维度：attributes/features 用于分析
例如：
a) 在医疗保健领域：身高、体重、性别、脉率、胆固醇水平
b) 在银行领域：年龄、性别、职业、婚姻状况等
n维向量 :1, e2, e3, ...., en> 其中 ei 是维度 i 的值，元素是有序的。
示例:
<180, 74, M, 60, 120> 是一个 6 维向量，其中
180、74、M、60、120分别是attributes/dimensions身高、体重、性别pulse_rate、cholesterol_level的数值。
<180,74,M,60,120>和<180,M,74,60,120>不是与尺寸重量和性别的顺序相同。
标量值只有大小没有方向。
例如，
- 学生考试成绩
- 雇员的工资
- 城市温度等
矢量值将同时具有大小和方向。
例如，
- 车辆速度
- 电流的电流密度
- 硬币的磁场等
在机器学习中，当我们有多个自变量来预测因变量时，我们通常将所有自变量表示为多维space。
例如，
让我们考虑一个 ML 问题，在这个问题中，我们必须使用以下自变量来预测学生在期末考试中的成绩-
- 出席率
- 内试不及格人数
- 完成的作业数
在这里，我们需要将学生的所有数据点投影到多维 space 中，其中-
维度1-出勤率
维度2 - 内试不及格人数
维度 3 - 完成的任务数
有点像这样-
现在，每个自变量都可以表示为与因变量有关的向量。
喜欢，
“出勤率”向量相对于考试成绩有大小和正向（出勤率增加则期末成绩增加，出勤率下降则期末成绩减少）。
“内试不及格数”向量相对于考试分数有大小和负方向（内试不及格数减少则期末分数增加，分数减少）如果内部考试中失败的科目数量增加）。
现在，如果我们有一个新学生需要预测他的分数，那么我们可以在这 3 个向量中表示他的数据，并且这 3 个向量具有正交关系的点可以被认为是 his/her期末考试预测分数
一维向量中的数据点表示space-
二维向量中的数据点表示space-
3 维向量中的数据点表示space-
希望你有一个想法!!!
我想了解什么是机器学习方面的向量。
我查看了以下 2 个链接：
https://en.wikipedia.org/wiki/Support_vector_machine https://en.wikipedia.org/wiki/Feature_vector.
没看懂。谁能简单解释一下？
我认为你的大部分问题都是因为 向量 是一个有很多用途的通用术语。在这种情况下，可以将其视为值列表或 table 中的一行。数据结构为一维数组； N 个元素的向量是 N 维向量，每个元素一维。
例如，输入 (3.14159, 2.71828, 1.618) 是一个包含 3 个元素的向量，可以表示为三维 space 中的一个点。您的程序将声明一个 1x3 数组（一维数据结构）来保存这三个项目。
这是否有助于您直观地了解基本输入处理？对于 Wronkskian 变换矩阵来说，这不是一个难题 -- 它只是格式和可视化方面的变化。
特征向量只是一行输入。例如，在流行的房价预测机器学习示例中，我们可能具有特征（table 列），包括房屋的建造年份、卧室数量、面积 (m^2) 和车库大小（汽车容量）。这将给出输入向量，例如
[1988, 4, 200, 2]
[2001, 3, 220, 1]
等等
简单来说，
维度：attributes/features 用于分析
例如：
a) 在医疗保健领域：身高、体重、性别、脉率、胆固醇水平
b) 在银行领域：年龄、性别、职业、婚姻状况等
n维向量 :
示例:
<180, 74, M, 60, 120> 是一个 6 维向量，其中
180、74、M、60、120分别是attributes/dimensions身高、体重、性别pulse_rate、cholesterol_level的数值。
<180,74,M,60,120>和<180,M,74,60,120>不是与尺寸重量和性别的顺序相同。
标量值只有大小没有方向。
例如，
- 学生考试成绩
- 雇员的工资
- 城市温度等
矢量值将同时具有大小和方向。
例如，
- 车辆速度
- 电流的电流密度
- 硬币的磁场等
在机器学习中，当我们有多个自变量来预测因变量时，我们通常将所有自变量表示为多维space。
例如，
让我们考虑一个 ML 问题，在这个问题中，我们必须使用以下自变量来预测学生在期末考试中的成绩-
- 出席率
- 内试不及格人数
- 完成的作业数
在这里，我们需要将学生的所有数据点投影到多维 space 中，其中-
维度1-出勤率
维度2 - 内试不及格人数
维度 3 - 完成的任务数
有点像这样-
现在，每个自变量都可以表示为与因变量有关的向量。
喜欢，
“出勤率”向量相对于考试成绩有大小和正向（出勤率增加则期末成绩增加，出勤率下降则期末成绩减少）。
“内试不及格数”向量相对于考试分数有大小和负方向（内试不及格数减少则期末分数增加，分数减少）如果内部考试中失败的科目数量增加）。
现在，如果我们有一个新学生需要预测他的分数，那么我们可以在这 3 个向量中表示他的数据，并且这 3 个向量具有正交关系的点可以被认为是 his/her期末考试预测分数
一维向量中的数据点表示space-
二维向量中的数据点表示space-
3 维向量中的数据点表示space-
希望你有一个想法!!!