Vector 什么是机器学习中的向量

我想了解什么是机器学习中的向量

我查看了以下两个链接：

---

我不能完全理解它。有人能用简单的话解释一下吗？

我认为你的问题主要是因为向量是一个有很多用途的通用术语。在这种情况下，可以将其视为一个值列表或表中的一行。数据结构是一维数组；N元素的向量是N维向量，每个元素一个维度

例如，输入（3.14159、2.71828、1.618）是3个元素的向量，可以表示为三维空间中的一个点。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

这是否有助于您可视化基本的输入处理？对于Wronkskian变换矩阵来说，这不是一个困难的问题——它只是格式和可视化方面的一个变化

---

特征向量只是一行输入。例如，在流行的住房价格预测机器学习示例中，我们可能有一些特征（表列），包括房屋的建造年份、卧室数量、面积（m2）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。

简单地说，
维度：用于分析的属性/特征
例如：
a） 健康领域：身高、体重、性别、脉搏率、霍乱水平
b） 银行领域：年龄、性别、职业、婚姻状况等

n维向量：其中ei是维i的值，元素是有序的。
示例：
是一个6维向量，其中 180、74、M、60、120分别是身高、体重、性别、脉搏率、胆固醇水平的属性/维度值

---

与维度的顺序不同权重和性别会发生变化。

标量值只会有大小，而不会有方向

比如说,

• 学生考试成绩
• 雇员工资
• 城市的温度等

矢量值将同时具有大小和方向

比如说,

• 车速
• 电流密度
• 硬币等的磁场

在机器学习中，当我们有多个自变量来预测一个因变量时，我们通常在多维空间中表示所有自变量

比如说,

让我们考虑一个ML问题，我们必须用下列独立变量来预测期末考试成绩。

• 出席率
• 内部考试不及格科目数
• 完成的作业数

在这里，我们需要在多维空间中投射学生的所有数据点-

维度1-出勤率

维度2-内部考试不及格科目数

维度3-完成的作业数量

它会有点像这样-

现在，每个自变量都可以表示为相对于因变量的向量

像

“出勤率”向量相对于考试分数具有大小和正向（如果出勤率增加，期末考试分数将增加，如果出勤率减少，分数将降低）

“内部考试不及格科目数”向量相对于考试分数具有量级和负方向（如果内部考试不及格科目数减少，期末考试分数将增加；如果内部考试不及格科目数增加，分数将减少）

现在，如果我们有一个新学生，我们需要预测他的分数，那么我们可以用这3个向量来表示他的数据，并且这3个向量具有正交关系的点可以被认为是他/她的期末考试预测分数

一维向量空间中的数据点表示-

二维向量空间中的数据点表示-

三维向量空间中的数据点表示-

---

希望你有个主意

解释你不理解的定义的哪一部分以及为什么会让你感到困惑。机器学习模型中的输入对象称为向量。在链接中，我了解到在监督学习中，每个示例都是由输入对象（通常是向量）和输入对象转换为特征向量组成的一对，它包含了许多描述对象的特征，所以我无法理解输入本身，称为向量，或转换后的输入，称为向量。向量的思考是表示数据的一种方式，仅此而已。它是一种显示输入值的矩阵。可以在此矩阵上执行变换，变换的结果将再次成为矩阵。