×

机器学习里,向量的运用

wiken wiken 发表于2026-10-05 09:47:07 浏览143 评论0

抢沙发发表评论

一句话总结

机器学习里,所有数据都变成向量;向量就是机器能看懂的数据格式。向量运算(加减、求长度、夹角)就是模型做 “对比、距离、相似度” 的数学工具。

1. 数据 = 向量(最核心)

比如描述一个房子:面积、房间数、楼层、价格

面积 = 80,房间 = 3,楼层 = 12 → 写成向量:x = [80, 3, 12]
  • 图片:一张灰度图,几十万像素灰度值,就是高维向量

  • 文本:一句话转成词嵌入,也是向量

  • 用户信息:年龄、收入、浏览时长,打包成向量

计算机不能直接看懂 “图片、文字、房子”,但能算向量。向量就是把现实事物,翻译成一串数字。

2. 你刚才学的向量运算,在 ML 全都用上


① 向量减法:算两点之间距离

两个样本向量 a,b
欧氏距离:|a−b|=√((x₁−x₂)²+(y₁−y₂)²+…)

👉 K 近邻 (KNN) 就是靠这个距离:向量离得越近,东西越像。
比如推荐系统:用户向量距离近,兴趣相似,给他推同样商品。

② 向量加法:叠加特征、叠加误差

模型预测:ŷ = w₁x₁ + w₂x₂ + ...,本质就是向量点积。
梯度下降更新参数:w = w−η·∇,就是向量减法,一点点移动向量,找最低点。

③ 向量的模长 √(a²+b²)

  • 归一化:把向量长度缩放到 1,消除数值大小带来的偏差

  • 损失函数里经常要算向量模(L2 范数)

④ 向量夹角(点积):衡量相似度

两个向量点积,除以两个模长 = cosθ
θ越小,余弦值越接近 1 → 两个向量方向接近,内容相似。

搜索、大模型词嵌入判断文本相似度,全靠余弦相似度!

3. 机器学习模型本质就是向量空间里的几何操作

想象:每一条数据,都是高维空间里的一个点(向量)

  • 分类任务:画一条线 / 超平面,把空间里的点分开(逻辑回归、SVM)

  • 聚类:把距离近的一堆点圈成一类(Kmeans)

  • 降维 PCA:把高维向量投影到低维空间,尽量保留信息

你之前学的平行四边形法则、向量加减,二维是基础;机器学习只是把维度扩展到几十、上万维,规则完全不变。二维能看懂,高维只是维度变多,公式形式一样。

4. 常见误区

❌ 不是为了做题画平行四边形
✅ 目的:

  1. 把数据变成空间中的点

  2. 用距离、夹角判断样本相似性

  3. 用向量加减、点积做模型计算和优化

极简例子(直观感受)

用户 A 向量:[25 岁,月入 8k]
用户 B 向量:[26 岁,月入 8.2k]
用户 C 向量:[50 岁,月入 30k]

算向量差的模长:A 和 B 距离很小,A 和 C 距离很大。
模型就判断:A、B 兴趣更接近,可以给他们推荐同类内容。

如果你想,我可以简单讲向量点积,这是机器学习里用得最多的向量运算。

评论列表

访客