ریشه — خودآموز ریاضی از چهار عمل تا هوش مصنوعی

فصل ۸ از ۹

پیشرفت ترم
۰٪

ترم ۷ · جبرِ خطی: زبانِ داده

بردارهایی که جهتشان عوض نمی‌شود

فصل ۸رایگان

در این فصل چه یاد می‌گیری#

یک تبدیل بردار می‌گیرد و معمولاً هم می‌چرخاندش هم اندازه‌اش را عوض می‌کند.

ولی برای تقریباً هر تبدیلی، چند بردارِ خاص هستند که فقط کِش می‌آیند. جهتشان دست‌نخورده می‌ماند؛ فقط بلندتر یا کوتاه‌تر می‌شوند.

این بردارها اسکلتِ پنهانِ تبدیل‌اند: محورهایی که تبدیل حولشان عمل می‌کند. پیدا کردنشان یعنی فهمیدنِ اینکه یک ماتریس واقعاً چه کار می‌کند — و همین کاری است که فصل ۹ برای فشرده‌کردنِ داده انجام می‌دهد.

یک تبدیل که بیشتر بردارها را می‌چرخاند ولی دو بردار خاص فقط کش می‌آیند

آخر این فصل می‌توانی:

  • بگویی بردارِ ویژه و مقدارِ ویژه چه هستند
  • برای یک ماتریسِ ساده آن‌ها را تشخیص بدهی
  • بگویی چرا در تحلیلِ داده مهم‌اند

قبل از شروع#

  • از فصل ۶: ماتریس به‌عنوان تبدیل؛ ستون‌ها یعنی محورها به کجا می‌روند.
  • از فصل ۲: ضربِ اسکالر — بردار روی خطِ خودش می‌ماند.
  • از فصل ۷: دترمینان و برگشت‌پذیری.

۱. بردارهایی که فقط کِش می‌آیند#

ماتریسِ کشیدگیِ زیر را در نظر بگیر:

روی بردارِ اثر کن: به می‌رود — هم طول عوض شد هم جهت (شیبش از ۱ به رفت).

حالا روی : به می‌رود.

🤔 اول حدس بزن: جهتِ این یکی عوض شد؟

نه — همان محورِ افقی، فقط سه برابر بلندتر.

به چنین برداری می‌گویند بردارِ ویژه، و به آن ضریب (اینجا ۳) مقدارِ ویژه:

سمتِ چپ یک تبدیلِ ماتریسی است و سمتِ راست فقط یک ضربِ اسکالر. برابری‌شان یعنی: برای این بردارِ خاص، آن ماتریسِ پیچیده کاری بیشتر از ضرب در یک عدد نمی‌کند.

✅ چک کن: برای همان ، آیا بردارِ ویژه است؟ — بله: به می‌رود، همان جهت با ضریبِ ۲. مقدارِ ویژه‌اش ۲ است.

💡 نکته: برای ماتریسِ کشیدگی آن دو محور کاملاً واضح‌اند. جالبی‌اش وقتی است که ماتریس کج و درهم باشد — آن‌وقت بردارهای ویژه هیچ ربطی به محورهای مختصات ندارند و جهت‌های پنهانِ خودِ تبدیل‌اند.

۲. چند بردارِ ویژه؟#

اگر بردارِ ویژه باشد، هر مضربی از آن هم هست — ، ، همه. چون از فصل ۲ می‌دانی ضربِ اسکالر جهت را عوض نمی‌کند.

پس بردارِ ویژه در واقع یک جهت است، نه یک بردارِ خاص. معمولاً نرمال‌شده‌اش را می‌نویسند (فصل ۲).

یک ماتریسِ ۲ در ۲ معمولاً دو جهتِ ویژه دارد، ولی نه همیشه:

  • ماتریسِ چرخش (به‌جز ۰ و ۱۸۰ درجه) هیچ بردارِ ویژه‌ای روی صفحه ندارد — هر برداری می‌چرخد.
  • ماتریسِ همانی هر برداری را بردارِ ویژه می‌کند، همه با مقدارِ ویژهٔ ۱.

🤔 اول حدس بزن: چرا چرخش هیچ بردارِ ویژه‌ای ندارد؟

چون بردارِ ویژه یعنی «روی خطِ خودش بماند»، و چرخش دقیقاً کاری است که هر بردار را از خطش خارج می‌کند.

🌱 ریشه‌اش کجاست: این وضعیت را قبلاً دیده‌ای. در ترم ۳ فصل ۷، معادلهٔ درجه دویی که منفی داشت «جوابی روی محورِ حقیقی» نداشت — و همان‌جا گفتیم آن بن‌بست، درِ تازه‌ای بود. پیدا کردنِ مقادیرِ ویژه در نهایت به حلِ یک معادلهٔ درجه دو می‌رسد، و چرخش دقیقاً همان حالتِ منفی است. دو مسیرِ کاملاً متفاوت، یک ریشه.

۳. چرا مهم‌اند#

۱. ساده‌کردنِ تبدیل. اگر تبدیل را در دستگاهِ مختصاتی بنویسی که محورهایش بردارهای ویژه باشند، ماتریس به یک کشیدگیِ ساده تبدیل می‌شود — همه‌چیز خارج از قطر صفر می‌شود. همان تبدیلِ پیچیده، در زاویهٔ نگاهِ درست، ساده است.

۲. رفتارِ بلندمدت. اگر تبدیل را بارها تکرار کنی، بردارِ ویژه‌ای که بزرگ‌ترین مقدارِ ویژه را دارد بر همه‌چیز غلبه می‌کند — چون هر بار در عددِ بزرگ‌تری ضرب می‌شود، و از ترم ۴ فصل ۷ می‌دانی ضربِ تکراری چقدر سریع فاصله می‌اندازد.

۳. جهتِ اصلیِ داده. اگر ابری از نقطه‌های داده داشته باشی، بردارِ ویژهٔ بزرگ‌ترین مقدارِ ویژه، جهتی است که داده در آن بیشترین پراکندگی را دارد.

💡 نکته: آن موردِ سوم دقیقاً کاری است که فصل ۹ انجام می‌دهد. اگر بدانی داده در کدام جهت بیشترین تنوع را دارد، می‌توانی جهت‌های کم‌اهمیت را دور بریزی و اطلاعاتِ کمی از دست بدهی. این کلِ ایدهٔ فشرده‌سازی و کاهشِ بُعد است.

۴. یک تصویرِ ملموس#

نقطه‌هایی از داده را تصور کن که به‌شکلِ یک بیضیِ کشیده پراکنده‌اند — مثلاً قد و وزنِ چند صد نفر، که با هم همبسته‌اند (ترم ۶ فصل ۸).

آن ابر یک جهتِ اصلی دارد: امتدادِ بلندِ بیضی. و یک جهتِ فرعیِ عمود بر آن، که خیلی کوتاه‌تر است.

آن دو جهت، بردارهای ویژهٔ آن داده‌اند، و طولِ هر امتداد به مقدارِ ویژهٔ متناظرش مربوط است.

🤔 اول حدس بزن: اگر بخواهی این داده را از دو عدد به یک عدد کاهش بدهی، کدام جهت را نگه می‌داری؟

جهتِ بلند. چون بیشترِ تفاوتِ بینِ آدم‌ها در آن جهت است؛ جهتِ کوتاه تقریباً برای همه یکسان است و اطلاعاتِ کمی دارد.

⚠️ دامِ رایج: فرضِ اینکه بردارِ ویژه حتماً روی یکی از محورهای مختصات است. معمولاً نیست — و اتفاقاً وقتی نیست بیشترین ارزش را دارد، چون جهتی را نشان می‌دهد که در انتخابِ اولیهٔ محورها اصلاً دیده نمی‌شد.

۵. پیدا کردنشان#

روشِ کامل بیرون از این دوره است، ولی ایده‌اش را می‌شود دید. معادله را بازآرایی کن:

این یعنی تبدیلِ یک بردارِ غیرصفر را به صفر می‌برد — و از فصل ۷ می‌دانی چنین چیزی فقط وقتی ممکن است که آن تبدیل صفحه را له کند، یعنی:

که برای ماتریسِ ۲ در ۲، یک معادلهٔ درجه دو بر حسبِ می‌سازد — همان معادله‌ای که در ترم ۳ فصل ۷ حل می‌کردی.

💡 نکته: لازم نیست این را دستی حساب کنی؛ در عمل همیشه کامپیوتر انجامش می‌دهد. ولی دیدنِ اینکه دترمینانِ فصل ۷ و درجه دویِ ترم ۳ اینجا به‌هم می‌رسند، همان چیزی است که کلِ دوره برایش ساخته شد.

تمرین‌ها

اول خودت فکر کن یا امتحان کن — بعد اینجا را باز کن.

در فصل بعد#

فصلِ آخرِ ترم پروژه است: همین بردارهای ویژه را روی یک دادهٔ واقعی به‌کار می‌بری تا فشرده‌اش کنی — دو یا سه ویژگی را به یکی کاهش بدهی و ببینی چقدر اطلاعات از دست می‌رود. اسمِ این کار PCA است و یکی از پرکاربردترین ابزارهای تحلیلِ داده.

به آخر این فصل رسیدی!

اگر ساختی و جواب داد، این دکمه مال توست.