Determinanten, Inversen und Transponierte

Die Transponierte einer Matrix ist ihre Spiegelung an der Diagonalen: Zeilen werden zu Spalten und Spalten werden zu Zeilen. Wenn A die Form (m, n) hat, besitzt A.T die Form (n, m). Transponierte treten in der linearen Algebra überall auf: bei der Berechnung von Kovarianzmatrizen, bei der Implementierung des Gradienten-Backpropagation-Verfahrens und bei der Umwandlung zwischen Konventionen für Zeilen- und Spaltenvektoren. NumPy greift über das Attribut .T auf die Transponierte zu – dabei wird keine Kopie erstellt, sondern lediglich eine Sicht mit neu angeordneten Strides verwendet.

Ein häufig verwendetes Muster ist die Berechnung von A.T @ A. Sie erzeugt eine symmetrische quadratische Matrix, die bei der Least-Squares-Regression, der PCA und den Normalgleichungen auftritt. Wenn A die Form (n, p) hat, besitzt A.T @ A die Form (p, p). Das Ergebnis ist immer symmetrisch, weil (A.T @ A)[i,j] == (A.T @ A)[j,i] gilt. Viele numerische Löser nutzen diese Eigenschaft zur Effizienzsteigerung.

Die Determinante einer quadratischen Matrix ist ein skalarer Wert, der geometrische Informationen enthält: Sie misst den Faktor, um den die Matrix Flächen (in 2D) oder Volumen (in höheren Dimensionen) skaliert. Eine Determinante von null bedeutet, dass die Matrix singulär ist – sie bildet den Raum auf einen Unterraum geringerer Dimension ab und besitzt keine Inverse. Eine von null verschiedene Determinante garantiert, dass die Matrix invertierbar ist. NumPy berechnet sie mit np.linalg.det().

Die Inverse einer Matrix A, geschrieben als A⁻¹, erfüllt A @ A⁻¹ = I, wobei I die Einheitsmatrix ist. Inversen existieren nur für quadratische, nicht singuläre Matrizen. np.linalg.inv(A) berechnet die Inverse numerisch. In der Praxis sollten Sie Inversen nur selten explizit berechnen, da dies numerisch instabil ist. Verwenden Sie stattdessen für Gleichungssysteme bevorzugt np.linalg.solve(). Das konzeptionelle Verständnis von Inversen ist jedoch unverzichtbar.

Wenn Sie die Inverse einer Matrix berechnen und anschließend eine Multiplikation durchführen, summieren sich Gleitkommafehler. Beispielsweise ist das Lösen mit A_inv @ b weniger genau als der direkte Aufruf von np.linalg.solve(A, b). Eine gut konditionierte Matrix (deren Determinante weit von null entfernt ist) reagiert weniger empfindlich auf diese Fehler. Die Konditionszahl (np.linalg.cond(A)) quantifiziert, wie nahe eine Matrix an der Singularität liegt – hohe Konditionszahlen weisen auf numerische Probleme hin.

Eine besondere Matrixklasse sind orthogonale Matrizen, für die A.T @ A = I gilt. Das bedeutet, dass die Transponierte zugleich die Inverse IST, wodurch sich orthogonale Matrizen äußerst effizient invertieren lassen. Rotationsmatrizen und der Q-Faktor der QR-Zerlegung sind orthogonal. Die Spalten einer orthogonalen Matrix bilden eine Orthonormalbasis – jede Spalte hat die Länge eins und steht senkrecht auf allen anderen Spalten.

Eine reguläre Inverse existiert nur für quadratische Matrizen, aber die Moore-Penrose-Pseudoinverse erweitert das Konzept der Invertierung auf beliebige Matrizen. np.linalg.pinv(A) berechnet sie mithilfe der SVD. Sie bildet die Grundlage der Least-Squares-Lösung überbestimmter Gleichungssysteme (mehr Gleichungen als Unbekannte) – genau das Problem, das die lineare Regression löst. Wenn A quadratisch und invertierbar ist, entspricht pinv(A) inv(A).

Das Vorzeichen der Determinante gibt an, ob die Transformation die Orientierung beibehält oder umkehrt. Eine positive Determinante bedeutet, dass die Orientierung erhalten bleibt (wie bei einer Rotation); eine negative Determinante bedeutet, dass die Orientierung gespiegelt wird (wie bei einer Spiegelung). Der Betrag gibt den Skalierungsfaktor für das Volumen an. Für eine 2×2-Matrix [[a,b],[c,d]] gilt det = a*d - b*c. NumPy verarbeitet quadratische Matrizen beliebiger Größe effizient.

Bei großen Matrizen kann die Determinante überlaufen oder zu null unterlaufen, obwohl die Matrix nicht singulär ist. np.linalg.slogdet(A) gibt (sign, log_abs_det) zurück – das Vorzeichen und den natürlichen Logarithmus des Betrags der Determinante – und verhindert dadurch numerische Überläufe. Dies wird häufig in probabilistischen Modellen (etwa bei Gaußschen Likelihoods) verwendet, in denen Sie im Logarithmusraum arbeiten, damit die Zahlen handhabbar bleiben.

Für eine 2×2-Matrix [[a, b], [c, d]] lautet die Inverse (1/det) * [[d, -b], [-c, a]], wobei det = ad - bc gilt. Wenn Sie diese Formel kennen, können Sie das Ergebnis von NumPy stichprobenartig überprüfen. Für größere Matrizen ist die analytische Berechnung der Inversen unpraktisch – genau deshalb verwenden wir np.linalg.inv(). Überprüfen Sie numerische Ergebnisse immer mit np.allclose(A @ A_inv, np.eye(n)).

Ein häufiges Muster in der linearen Algebra kombiniert Transponierung und Invertierung: Die Berechnung von (A.T @ A)⁻¹ @ A.T ergibt die Projektionsmatrix, die bei der gewöhnlichen Least-Squares-Methode verwendet wird. In NumPy lässt sich dies als np.linalg.inv(A.T @ A) @ A.T schreiben, aber auch hier ist np.linalg.lstsq numerisch vorzuziehen. Wenn Sie das zugrunde liegende Muster kennen, verstehen Sie besser, was der Solver tut, und können Probleme bei nahezu singulären Matrizen leichter beheben.

In dieser Lektion haben Sie gelernt: A.T ist die Transponierte, die Zeilen und Spalten vertauscht, np.linalg.inv() berechnet die Matrixinverse, sollte aber nur selten direkt verwendet werden (bevorzugen Sie solve oder lstsq), und np.linalg.det() gibt die Determinante zurück, die bei singulären Matrizen null ist. Als Nächstes betrachten wir das direkte Lösen linearer Gleichungssysteme mit np.linalg.solve.