行列式及其几何意义

层级：B｜按需

1. 不要把行列式只当作展开公式

方阵 $A$ 的行列式 $\det(A)$ 是一个标量。它最重要的含义是：线性变换把有向体积放大多少，以及变换是否把空间压扁。手算三阶以上行列式不是机器学习重点，理解非零、符号和变量变换的含义才是。

A=\begin{bmatrix}a&b\\c&d\end{bmatrix}, \qquad \det(A)=ad-bc.

若列向量为 $v_1=(a,c)^T$ 、 $v_2=(b,d)^T$ ， $|\det(A)|$ 是这两个向量张成的平行四边形面积。

例如

A=\begin{bmatrix}2&0\\0&3\end{bmatrix},

把横向伸长 2 倍、纵向伸长 3 倍，面积放大 $2\times3=6$ ，行列式为 6。

行列式为负表示变换除了缩放还翻转了空间取向。例如二维反射

\begin{bmatrix}-1&0\\0&1\end{bmatrix}

的行列式为 $-1$ ：面积大小不变，但左右方向翻转。概率密度做变量替换时使用绝对值 $|\det J|$ ，因为体积不能为负。

若 $\det(A)=0$ ，单位方形/立方体被映射成零面积/零体积对象，矩阵至少丢失一个维度。等价地：

这组等价性质比展开计算更值得记忆。

$n\times n$ 矩阵的 $|\det(A)|$ 是单位超立方体经 $A$ 变换后的 $n$ 维体积缩放因子。代数定义可写成所有排列的带符号乘积之和：

\det(A)=\sum_{\pi}\operatorname{sgn}(\pi) \prod_{i=1}^{n}a_{i,\pi(i)}.

这个公式解释定义但不适合直接计算，项数为 $n!$ 。实际计算使用 LU 分解等 $O(n^3)$ 方法。

\det(I)=1,

\det(A^T)=\det(A),

\det(AB)=\det(A)\det(B),

若 $A$ 可逆：

\det(A^{-1})=\frac1{\det(A)}.

三角矩阵的行列式等于对角元素之积。特征值为 $\lambda_i$ 时：

\det(A)=\prod_i\lambda_i

（按代数重数计算）。

因此可通过消元化为三角矩阵计算。软件通常返回基于分解的结果。

一维变量替换中，长度元素按 $|dy/dx|$ 缩放。多维中，若 $y=g(x)$ ，局部体积按

|\det J_g(x)|

缩放，其中 $J_g$ 是 Jacobian 矩阵。概率密度变换必须补偿体积变化：

p_Y(y)=p_X(g^{-1}(y)) \left|\det J_{g^{-1}}(y)\right|.

正规化流等生成模型直接利用这一公式。

多元高斯密度包含

\frac1{(2\pi)^{d/2}|\Sigma|^{1/2}}.

$|\Sigma|$ 称广义方差，表示协方差椭球体积尺度。若行列式接近零，分布在某些方向极窄；等于零时普通 $d$ 维密度公式失效，因为分布退化到低维子空间。

高维正定矩阵行列式可能极大或极小，通常计算

\log\det(A)=\sum_i\log\lambda_i.

数值上对正定矩阵可用 Cholesky 分解 $A=LL^T$ ：

\log\det(A)=2\sum_i\log L_{ii}.

应使用库函数 slogdet 或分解，不要先算行列式再取对数，以免上溢、下溢或符号丢失。

会二阶、理解三阶概念即可。实际重点是可逆性、体积缩放、log-det 和稳定分解。

不一定。它是所有奇异值的乘积，可能一个方向极大、另一个极小，乘积仍普通但条件很差。

可能有精确冗余或样本少于维度。可删除冗余特征、降维、使用伪逆或加 $\lambda I$ 正则化。