기본 콘텐츠로 건너뛰기

[ML] 결정트리(Decision Tree) 모델

[Linear Algebra] 외적(Outer product)

외적(Outer product)

3차원 공간에서 임의의 두 벡터들과 수직인 벡터는 외적(outer product, cross product)에 의해 산출됩니다. 3차원의 두 벡터 a, b의 외적은 식 1와 같이 산출합니다. 두 벡터의 외적은 "×" 기호로 나타냅니다.

a = [a1  a2  a3] b = [b1  b2  b3](식 1)
a×b = [a2b3 − a3b2  a3b1 − a1b3  a1b2 − a2b1]

식 1과 같이 벡터들의 외적은 벡터입니다. 이 식의 계산은 식 2와 같이 소행렬식과 여인수를 사용하여 계산할 수 있습니다.

\begin{align}\begin{bmatrix}a_1& a_2& a_3\\ b_1& b_2& b_3\end{bmatrix}&=\begin{bmatrix} \begin{vmatrix} a_2& a_3\\ b_2& b_3\end{vmatrix} & \begin{vmatrix}a_3& a_1\\ b_3& b_1 \end{vmatrix} & \begin{vmatrix} a_1& a_2\\ b_1& b_2\end{vmatrix}\end{bmatrix}\\&=\begin{bmatrix} a_2b_3-a_3b_2& a_3b_1-a_1b_3& a_1b_2-a_2b_1 \end{bmatrix}\end{align}(식 2)

벡터의 외적은 numpy.cross() 함수를 사용하여 계산합니다.

예 1)

두 벡터 a, b의 외적을 계산합니다.

a = [2  1  -1]  b = [-3  4  1]

a=np.array([2,1, -1])
b=np.array([-3, 4, 1])
print(np.cross(a, b))
[ 5  1 11]

위 결과 벡터는 그림 1에서 나타낸 것과 같이 벡터 a, b에 각각 수직입니다.

그림 1. 두 벡터의 외적.

만약 두 벡터가 평행하다면 즉, 교차하는 지점이 없다면 두 벡터의 외적은 존재할 수 없습니다. 이 관계는 식 3과 같이 나타낼 수 있습니다.

‖a×b‖ = ‖a‖‖b‖sin(θ)(식 3)

식 3에서 θ는 두 벡터 a, b의 사잇각이며 0 또는 180°일 경우 외적은 0이 됩니다.

θ = 0 or 180° → sin(θ) = 0, ‖a×b‖ = 0

외적을 사용하여 좌표를 통과하는 방정식을 계산할 수 있습니다.

예 2)

a(2,-2, 1), b(-1, 0, 3), c(5, -3, 4)의 세 좌표들을 포함하는 평면의 식을 계산해 봅니다.

a = (2,  1,  -1)  b = (-3,  4,  1)  c = (5,  -3,  4)

세 점을 포함하는 평면은 벡터 ab와 벡터 ac를 포함합니다.

a=np.array([2,-2, 1])
b=np.array([-1,0,3])
c=np.array([5, -3, 4])
ab=b-a
print(ab)
[-3,  2,  2]
ac=c-a
print(ac)
[ 3, -1,  3]

위 두 벡터에 수직인 벡터는 외적으로 계산할 수 있습니다.

r=np.cross(ab, ac)
print(r)
[ 8, 15, -3]

r은 벡터 ab와 벡터 ac에 의해 이루어지는 평면과 수직입니다. 그러므로 벡터 r과 평면의 임의점 (x, y, z) 사이의 내적은 0이 됩니다.

다음 코드는 미지수 x, y, z을 포함한 식을 생성합니다. 이것은 x, y, z을 문자가 아닌 기호로 인식하여 계산이 가능하게 하도록 하는 sympy 패키지를 사용합니다.

x, y, z=symbols('x y z')
X=Matrix([x,y,z])
print(X)

Matrix([[x], [y], [z]])

다음 객체 AX는 평면위의 임의의 좌표 X와 a의 차로 생성되는 벡터입니다.

AX=X-Matrix(a)
print(AX)
Matrix([[x - 2], [y + 2], [z - 1]])

AX와 r은 수직관계이므로 내적은 0입니다.

print(AX.T*Matrix(r))
Matrix([[8*x + 15*y - 3*z + 17]])

위 결과로부터 평면의 식은 8x + 15y - 3z + 17 = 0이 됩니다.

댓글

이 블로그의 인기 게시물

[Linear Algebra] 유사변환(Similarity transformation)

유사변환(Similarity transformation) n×n 차원의 정방 행렬 A, B 그리고 가역 행렬 P 사이에 식 1의 관계가 성립하면 행렬 A와 B는 유사행렬(similarity matrix)이 되며 행렬 A를 가역행렬 P와 B로 분해하는 것을 유사 변환(similarity transformation) 이라고 합니다. $$\tag{1} A = PBP^{-1} \Leftrightarrow P^{-1}AP = B $$ 식 2는 식 1의 양변에 B의 고유값을 고려한 것입니다. \begin{align}\tag{식 2} B - \lambda I &= P^{-1}AP – \lambda P^{-1}P\\ &= P^{-1}(AP – \lambda P)\\ &= P^{-1}(A - \lambda I)P \end{align} 식 2의 행렬식은 식 3과 같이 정리됩니다. \begin{align} &\begin{aligned}\textsf{det}(B - \lambda I ) & = \textsf{det}(P^{-1}(AP – \lambda P))\\ &= \textsf{det}(P^{-1}) \textsf{det}((A – \lambda I)) \textsf{det}(P)\\ &= \textsf{det}(P^{-1}) \textsf{det}(P) \textsf{det}((A – \lambda I))\\ &= \textsf{det}(A – \lambda I)\end{aligned}\\ &\begin{aligned}\because \; \textsf{det}(P^{-1}) \textsf{det}(P) &= \textsf{det}(P^{-1}P)\\ &= \textsf{det}(I)\end{aligned}\end{align} 유사행렬의 특성 유사행렬인 두 정방행렬 A와 B는 'A ~ B' 와 같

[matplotlib] 히스토그램(Histogram)

히스토그램(Histogram) 히스토그램은 확률분포의 그래픽적인 표현이며 막대그래프의 종류입니다. 이 그래프가 확률분포와 관계가 있으므로 통계적 요소를 나타내기 위해 많이 사용됩니다. plt.hist(X, bins=10)함수를 사용합니다. x=np.random.randn(1000) plt.hist(x, 10) plt.show() 위 그래프의 y축은 각 구간에 해당하는 갯수이다. 빈도수 대신 확률밀도를 나타내기 위해서는 위 함수의 매개변수 normed=True로 조정하여 나타낼 수 있다. 또한 매개변수 bins의 인수를 숫자로 전달할 수 있지만 리스트 객체로 지정할 수 있다. 막대그래프의 경우와 마찬가지로 각 막대의 폭은 매개변수 width에 의해 조정된다. y=np.linspace(min(x)-1, max(x)+1, 10) y array([-4.48810153, -3.54351935, -2.59893717, -1.65435499, -0.70977282, 0.23480936, 1.17939154, 2.12397372, 3.0685559 , 4.01313807]) plt.hist(x, y, normed=True) plt.show()

R 미분과 적분

내용 expression 미분 2차 미분 mosaic를 사용한 미분 적분 미분과 적분 R에서의 미분과 적분 함수는 expression()함수에 의해 생성된 표현식을 대상으로 합니다. expression expression(문자, 또는 식) 이 표현식의 평가는 eval() 함수에 의해 실행됩니다. > ex1<-expression(1+0:9) > ex1 expression(1 + 0:9) > eval(ex1) [1] 1 2 3 4 5 6 7 8 9 10 > ex2<-expression(u, 2, u+0:9) > ex2 expression(u, 2, u + 0:9) > ex2[1] expression(u) > ex2[2] expression(2) > ex2[3] expression(u + 0:9) > u<-0.9 > eval(ex2[3]) [1] 0.9 1.9 2.9 3.9 4.9 5.9 6.9 7.9 8.9 9.9 미분 D(표현식, 미분 변수) 함수로 미분을 실행합니다. 이 함수의 표현식은 expression() 함수로 생성된 객체이며 미분 변수는 다음 식의 분모의 변수를 의미합니다. $$\frac{d}{d \text{변수}}\text{표현식}$$ 이 함수는 어떤 함수의 미분의 결과를 표현식으로 반환합니다. > D(expression(2*x^3), "x") 2 * (3 * x^2) > eq<-expression(log(x)) > eq expression(log(x)) > D(eq, "x") 1/x > eq2<-expression(a/(1+b*exp(-d*x))); eq2 expression(a/(1 + b * exp(-d * x))) > D(eq2, "x") a * (b * (exp(-d * x) * d))/(1 + b