常规运算

import numpy as np

matrix1 = np.array([[1, 2], [3, 4]])
matrix2 = np.array([[5, 6], [7, 8]])
result = np.dot(matrix1, matrix2)
print(result) 

输出结果：

[[19 22]
 [43 50]]

应用场景：特征提取

• 在机器学习中，矩阵乘法被广泛应用于多维数据处理、特征提取和模型训练。例如，在线性回归、逻辑回归等算法中，需要计算特征矩阵和权重矩阵的乘积来得到预测结果。
• 矩阵乘法在特征提取中通常用于计算两个矩阵的乘积，以便得到一个新的矩阵，该矩阵包含原始矩阵的特征值和特征向量。在 Python 中，可以使用 numpy 库来实现矩阵乘法。

特征矩阵

• 特征矩阵是一个由特征向量组成的矩阵，其中每一行都是一个特征向量，表示数据集中的一个样本。特征向量是原始数据经过某种变换（如 PCA）后得到的一组新的变量，它们是原始数据的代表，可以用于表示数据的某些特征。

权重矩阵

• 权重矩阵是一个由权重向量组成的矩阵，其中每一行都是一个权重向量，表示模型对每个特征的重视程度。在机器学习中，权重向量通常是通过训练数据来得到的，它们可以帮助模型在不同特征之间进行权衡，从而提高模型的预测能力。

举例说明

一个简单的线性回归模型中，特征矩阵可以表示为：

[1, 2, 3]  
[4, 5, 6]  
[7, 8, 9]  

权重矩阵可以表示为：

[2, 1]  
[5, 3]  
[8, 7]  

其中，特征矩阵的每一行表示一个样本的特征向量，权重矩阵的每一行表示模型对每个特征的权重。

代码展示

import numpy as np

# 定义输入矩阵
input_matrix = np.array([[1, 2, 3],
                         [4, 5, 6],
                         [7, 8, 9]])

# 定义特征矩阵
feature_matrix = np.array([[1, 0, 1],
                           [0, 1, 0],
                           [0, 1, 0]])

# 使用矩阵乘法进行特征提取
output_matrix = np.dot(input_matrix, feature_matrix)

print(output_matrix)

• 因此，C 的每一行都是 A 的一个特征向量与 B 的一个特征向量的内积。这个内积可以被解释为一个特征向量在 B 的方向上的投影长度，因此C 中的每个元素都可以被解释为一个特征向量的长度。
• 在实际应用中，矩阵 A 通常是一个包含多个特征向量的矩阵，而矩阵 B 则是一个包含与每个特征向量相关联的权重向量的矩阵。通过计算矩阵乘积 C,可以得到每个特征向量在对应权重向量方向上的投影长度，从而提取出特征。