在數(shù)據(jù)科學(xué)和機(jī)器學(xué)習(xí)中，我們經(jīng)常將數(shù)據(jù)表示為向量和矩陣。在數(shù)學(xué)和物理中，向量被定義大小和方向的量(例如，距離向量)。然而，通常我們處理的數(shù)據(jù)不一定會(huì)遵循向量的定義，但但我們?nèi)匀挥孟蛄縼?lái)表示數(shù)據(jù)。例如，我們可以將人口統(tǒng)計(jì)信息(例如，種族、年齡、性別等)的數(shù)據(jù)表示為一個(gè)向量，但這沒(méi)有對(duì)大小或方向的純幾何解釋。

同樣，在數(shù)學(xué)中，矩陣是用來(lái)表示線性映射的，它被定義為兩個(gè)向量空間之間的映射，兩個(gè)向量空間保留了向量加法和標(biāo)量乘法。然而，在數(shù)據(jù)科學(xué)/機(jī)器學(xué)習(xí)中如何使用矩陣的上下文與這種數(shù)學(xué)定義是不同的。

既然存在這種差異，那么為什么向量和矩陣在表示數(shù)據(jù)時(shí)被如此廣泛地使用呢?在本文中，我們將探討解釋這一現(xiàn)象的幾個(gè)原因。

計(jì)算效率

在處理數(shù)據(jù)時(shí)，我們通常想要將它們輸入到機(jī)器學(xué)習(xí)模型中，這個(gè)過(guò)程涉及大量的計(jì)算，通常需要對(duì)許多數(shù)字進(jìn)行加法和乘法運(yùn)算。例如，在構(gòu)建電影推薦系統(tǒng)時(shí)，您可能會(huì)收集用戶(hù)觀看庫(kù)中每部電影的時(shí)長(zhǎng)數(shù)據(jù)。然后你可以推薦那些平均觀看時(shí)間較高的電影。這個(gè)平均值是通過(guò)所有用戶(hù)觀看電影的時(shí)間之和除以電影的數(shù)量計(jì)算出來(lái)的。執(zhí)行這一過(guò)程可能會(huì)很慢，特別是當(dāng)用戶(hù)和電影數(shù)量越來(lái)越多時(shí)(比如優(yōu)酷，它擁有超過(guò)2.67億的用戶(hù)，擁有近2萬(wàn)部影片)。

然而，計(jì)算機(jī)科學(xué)家已經(jīng)開(kāi)發(fā)出非常高效的線性代數(shù)算法，向量和矩陣的加法和乘法比傳統(tǒng)的基于元素的加法/乘法要快得多。對(duì)于Python，用于科學(xué)計(jì)算和線性代數(shù)的NumPy庫(kù)提供了更快的速度和效率。再次回顧我們的推薦系統(tǒng)問(wèn)題，我們可以將每個(gè)用戶(hù)與一個(gè)維度為n的觀看時(shí)間向量相關(guān)聯(lián)，其中n是電影的數(shù)量。然后我們的數(shù)據(jù)將是這些向量的一個(gè)矩陣集合，有n行m列，其中n是電影的數(shù)量，m是用戶(hù)的數(shù)量。為了找到要推薦的電影，我們可以沿著行取平均值，找出所有用戶(hù)觀看每部電影的平均時(shí)間，然后根據(jù)平均觀看時(shí)間最高的電影進(jìn)行排序。由于高度優(yōu)化的算法，用向量和矩陣實(shí)現(xiàn)這個(gè)問(wèn)題可以加快計(jì)算速度。

為了演示，這里有一個(gè)Python腳本，比較了使用常規(guī) Python 和 NumPy 庫(kù)（對(duì)矩陣和向量進(jìn)行了優(yōu)化）計(jì)算行平均值所需的時(shí)間。為了評(píng)估計(jì)算效率，我們將測(cè)量程序運(yùn)行一個(gè)包含 500 部電影和 200 個(gè)用戶(hù)的數(shù)據(jù)集所需的時(shí)間。

# import necessary libraries
import random
import numpy as np
import time


# defining the dimensions for our data
n = 500 # number of movies
m = 200 # number of users


# generating the (random) data with n rows and m columns
data = []
for _ in range(n):
    data.append(random.choices(range(0, 90), k = m)) # generate random watch time


# normal array iterations to calculate the means along the rows
start_time = time.time() 
averages = []
for i in range(n):
    row_average = 0
    for j in range(m):
        row_average += data[i][j] 
    row_average = row_average / m
    averages.append(row_average)
end_time = time.time()
total_time = end_time - start_time # time for normal array implementation


# using NumPy
np_data = np.array(data) # convert data into numpy array


np_start_time = time.time()
np_average = np.mean(np_data, axis = 1) # using numpy mean function
np_end_time = time.time()
np_total_time = np_end_time - np_start_time # time for numpy array implementation


print(f"Regular Python: {total_time:4f}; NumPy: {np_total_time:4f}") # print results

可以將Python代碼運(yùn)行十次并對(duì)結(jié)果取平均值，常規(guī) Python 耗時(shí) 9.088 毫秒，而 NumPy 耗時(shí) 0.427 毫秒。NumPy 實(shí)現(xiàn)比常規(guī) Python 快大約 20 倍。

更進(jìn)一步，我們?cè)谙旅胬L制Python和NumPy實(shí)現(xiàn)計(jì)算平均值的時(shí)間，同時(shí)將用戶(hù)數(shù)量從1到1000進(jìn)行變化，同時(shí)保持電影數(shù)量為500。

隨著數(shù)據(jù)量的增加，常規(guī)Python和NumPy之間的差值會(huì)越來(lái)越大。我們還可以通過(guò)繪制兩個(gè)實(shí)現(xiàn)之間的比率來(lái)可視化這一點(diǎn)。

隨著數(shù)據(jù)量的增加，這個(gè)比例也在不斷增加，這也證明了使用NumPy可以提高效率。對(duì)于非常大的數(shù)據(jù)來(lái)源或復(fù)雜的模型,這樣效率更有價(jià)值?？紤]一下越來(lái)越普遍的大數(shù)據(jù)領(lǐng)域，往往有數(shù)十億到數(shù)萬(wàn)億的數(shù)據(jù)點(diǎn)。對(duì)于深度神經(jīng)網(wǎng)絡(luò)模型，它可能由數(shù)百萬(wàn)個(gè)節(jié)點(diǎn)/參數(shù)組成，每個(gè)節(jié)點(diǎn)/參數(shù)的權(quán)重和偏差還要進(jìn)行相乘或相加運(yùn)算(例如，GPT-3語(yǔ)言模型有超過(guò)1750億個(gè)參數(shù))。

線性代數(shù)工具

使用向量/矩陣表示數(shù)據(jù)的另一個(gè)優(yōu)點(diǎn)是，我們可以利用線性代數(shù)和數(shù)學(xué)工具。一個(gè)很好的例子是在計(jì)算機(jī)視覺(jué)中，矩陣被用來(lái)描述圖像轉(zhuǎn)換(例如，平移、旋轉(zhuǎn)、反射、仿射、投影等)。

對(duì)于圖像旋轉(zhuǎn)，目標(biāo)是確定一個(gè)函數(shù)，用于從圖像的每個(gè)像素旋轉(zhuǎn)某個(gè)角度。在線性代數(shù)中，旋轉(zhuǎn)矩陣用于旋轉(zhuǎn)向量/矩陣。通過(guò)將圖像表示為矩陣，我們可以利用旋轉(zhuǎn)矩陣。類(lèi)似地，還有用于平移、反射和仿射變換的矩陣。

此外，將圖像表示為矩陣也有助于進(jìn)行投影變換，即從一個(gè)平面到另一個(gè)平面的線的映射。這對(duì)于圖像拼接和制作全景照片很有用。此外，在處理3D圖形圖像時(shí)還有進(jìn)一步的應(yīng)用。

更加簡(jiǎn)潔

在處理復(fù)雜的數(shù)據(jù)情況時(shí)，使用向量和矩陣表示概念可以更加方便、清晰和簡(jiǎn)潔。我們可以將數(shù)據(jù)分組到指定的向量或矩陣中，而不是給每個(gè)數(shù)據(jù)點(diǎn)一個(gè)名稱(chēng)。此外，我們還可以使用向量/矩陣約定來(lái)表示對(duì)數(shù)據(jù)的操作。

例如，考慮有5個(gè)特征變量的多元線性回歸的例子。這可以表示為:

使用向量/矩陣，我們可以傳達(dá)相同的想法（特征和特征上的系數(shù)現(xiàn)在是向量）：?

 注意，這個(gè)表示要短得多，并且仍然能捕捉到我們的線性回歸模型。如果我們有更多的變量，這種表示仍然有效(對(duì)于10或1000個(gè)特征變量，它的表達(dá)式相同)。此外，向量和矩陣可以用來(lái)表示許多數(shù)據(jù)操作和模型(如邏輯回歸、隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)等)。

此外，向量/矩陣的約定在許多領(lǐng)域(如物理、工程、計(jì)算等)都非常普遍。這意味著從業(yè)者通常都很熟悉，這減少了認(rèn)知負(fù)擔(dān)(因?yàn)樗麄儾恍枰獙W(xué)習(xí)新的數(shù)據(jù)/模型約定)。

結(jié)論

許多數(shù)據(jù)和模型的操作用向量/矩陣表示的原因是：用向量和矩陣表示的數(shù)據(jù)可以實(shí)現(xiàn)高效、更快的計(jì)算，還可以使用線性代數(shù)技術(shù)。