- 벡터의 기본 개념과 연산, norm
두 벡터 사이의 거리와 각도, 그리고 내적 (inner product)에 대해 설명- 벡터는 딥러닝에서 매우 중요한 선형대수학의 기본 단위가 되고, 앞으로 배울 numpy에서도 많이 사용되는 연산이기 때문에 확실하게 잡고 가야 할 개념
- 벡터 간의 연산을 단순히 숫자 계산으로 끝내기보단, 공간에서 어떤 의미를 가지는지를 이해
- norm이나 내적 같은 개념 또한, 그 자체로 가지는 기하학적인 성질과 이것이 실제 ML에서 어떻게 사용되는지 생각해보면서 공부
벡터
: 숫자를 원소로 가지는 리스트(list) 또는 배열(array)- 세로 : 열 벡터, 가로 : 행 벡터 (코드에서는 보통 행 벡터로 표현)
벡터의 차원
: 벡터의 숫자들의 개수
- T가 붙은 것은 X의 전치행렬
- 벡터는 공간에서 한 점으로 원점으로 부터 상대적 위치를 표현
- 벡터는 숫자를 원소로 가지는 리스트(list) 또는 배열(array)
- 벡터끼리
같은 모양
을 가지면 성분곱(Hadamard product)을 계산 가능- 다른 모양일 경우, 산수 불가능
성분곱
(Hadamard product)
- 벡터는 공간에서 한 점을 나타냄
- 벡터는 원점으로부터 상대적 위치를 표현
- 두 벡터의
덧셈
은 다른 벡터로부터 상대적 위치이동을 표현
- 두 벡터의
뺄셈
노름(norm)
:원점에서부터의 거리
L1-노름
: 각 성분의변화량
의절대값을 모두 더함
L2-노름
:피타고라스 정리
를 이용해유클리드 거리
를 계산
노름의 종류
에 따라기하학적 성질
이 달라짐
머신러닝
에선 각 성질들이 필요할 때가 있으므로둘 다 사용
- 기계학습에서 사용되는 목적에 따라 달라짐
- L1, L2-노름을 이용해
두 벡터 사이의 거리
를 계산 →벡터의 뺄셈을 이용
θ (세타) : 미지의 각도를 나타낼 때 주로 사용
L2노름에서만 계산 가능!
제2 코사인 법칙
에 의해 두 벡터 사이의 각도를 계산
- 분자를 쉽게 계산하는 방법이
내적 (inner product)
- 내적은
np.inner
을 이용해 계산
- 내적은
정사영(orthogonal projection)
된 벡터의 길이와 관련
- Proj(x) 의 길이는 코사인 법칙에 의해 ∥x∥ cos θ 가 됨
- 내적은
정사영의 길이
를벡터의 길이만큼 조정
한 값
- 내적은 두 벡터의
유사도를 측정
하는데 사용가능