彻底搞懂线性代数中的子空间与基：从机器学习视角解析核心概念

这张图清晰地展示了线性代数中的两个核心概念：子空间和基。我们将跟随图中的脉络，一步步拆解清楚。

什么是子空间

图片左上角给出了定义：

$U \subseteq R^n$

意思是，$U$ 是 $R^n$ 里的一个集合，我们要判断它是否为子空间。

右边列出了成为子空间的三个条件：

(a) $0 \in U$

零向量必须属于 $U$。
这一点很关键，它意味着子空间必须“经过原点”。

(b) $u \in U, \lambda \in R \Rightarrow \lambda \cdot u \in U$

如果向量 $u$ 在 $U$ 里，那么它的任意实数倍 $\lambda u$ 也必须在 $U$ 里。这被称为对数乘封闭。
例如，过原点的一条直线上的向量，无论放大、缩小还是反向，都仍然在这条线上。

(c) $u, v \in U \Rightarrow u+v \in U$

如果两个向量都在 $U$ 里，那么它们的和也必须在 $U$ 里。这被称为对加法封闭。

直观理解

图中画了一个倾斜平面和几支箭头，就是为了说明：

• 这个平面上的向量做加法，结果还在平面上；
• 做数乘，结果也在平面上；
• 并且它包含零向量。
  满足这些，这个集合就是一个子空间。

平面 $R^2$ 中“张成 (Span)”的例子

图的中间部分展示了 $R^2$ 中的几个向量 $v^{(1)}, v^{(2)}, v^{(3)}, v^{(4)}$，用以说明：哪些向量组能张成整个平面，哪些不能。

第一行：$Span(v^{(1)}, v^{(2)}, v^{(3)}, v^{(4)}) = R^2$

这四个向量的所有线性组合，能够覆盖整个 $R^2$。
实际上在二维空间里，只要这四个向量中有两个不共线，它们的组合就足以张成整个平面，再多加向量也一样。

第二行：$Span(v^{(1)}, v^{(3)}) = R^2$

图中 $v^{(1)}$ 是水平向右，$v^{(3)}$ 是竖直向上。这两个方向显然不共线，因此它们足以生成整个平面。
也就是说，平面内任意向量 $(x, y)$ 都可以唯一地写成：

这本质上就是二维标准基的思想。

第三行：$Span(v^{(1)}, v^{(2)}) = R \times \{0\} \neq R^2$

这一行很关键。从图上看，$v^{(1)}$ 和 $v^{(2)}$ 都在 $x$ 轴上，只是方向相反。因此，它们只能产生水平方向的向量。
它们的线性组合只能得到：

这对应着整个 $x$ 轴：$R \times \{0\}$。
它并非整个平面 $R^2$，所以这两个向量不能张成 $R^2$。

基 (Basis) 的定义

图片中间偏下给出了定义：

设 $U \subseteq R^n$ 是一个子空间， $B = (v^{(1)}, v^{(2)}, ..., v^{(k)})$， 其中每个 $v^{(j)} \in R^n$。
如果满足两个条件，那么 $B$ 叫做 $U$ 的一个基。

条件 (a)：$U = span(B)$

这意味着 $B$ 中的向量能够生成整个 $U$。也就是说，$U$ 中任何一个向量，都能由 $B$ 里的向量线性组合出来。

条件 (b)：$B$ is linearly independent

这意味着 $B$ 中的这些向量必须是线性无关的，即其中没有“多余的”向量。

基的本质：既够用，又不多余

所以，基可以概括为一句话：

基 = 能张成整个空间的一组线性无关向量

换成更通俗的理解：

• 能张成：说明这组向量“够用”。
• 线性无关：说明这组向量“不冗余”。

这两个条件缺一不可。

图片中的两个例子

例 1：$R^n$ 的标准基 (Standard Basis)

这里 $e_1, ..., e_n$ 是标准基向量：

它们被称为 $R^n$ 的标准基。因为任何向量 $x = (x_1, x_2, ..., x_n)$ 都可以唯一地写成：

并且这 $n$ 个向量彼此线性无关，所以它们构成 $R^n$ 的一个基。

例 2：$R^3$ 的另一组基

图片最后写道：

$R^3 = Span((-3, 0, 0), (1, 1, 0), (2, 0, -1))$， basis of $R^3$

意思是，这三个向量也能构成 $R^3$ 的一个基。这说明一个事实：

$R^3$ 的基不只有标准基一种。

只要在三维空间中取三个线性无关的向量，它们就能张成整个 $R^3$，因而构成一个基。

核心逻辑梳理

整张图的核心逻辑链非常清晰：

第一步：定义子空间
一个集合要成为子空间，必须：

• 包含零向量
• 对数乘封闭
• 对加法封闭

第二步：理解张成 (Span)
若干向量的所有线性组合，形成一个空间。

• 两个不共线的向量在 $R^2$ 中能张成整个平面。
• 两个共线的向量只能张成一条直线。

第三步：引出基
如果一组向量：

• 能张成某个子空间；
• 又线性无关；
  那么它们就是这个子空间的基。

关键总结

这页内容可以浓缩成一句话：

Basis = Span + Linear Independence

即：

• Span 决定了“覆盖范围”。
• Linear Independence 决定了“有无冗余”。
• 两者结合，就是 Basis。

---

接下来，我们将结合一个具体的数值例子，将子空间、张成、基这三个概念完整地串联计算一遍，并深入探讨基为何如此重要。

先厘清三个连续概念

图中涉及三个连续概念：子空间 (Subspace)、张成 (Span)、基 (Basis)。初学者容易混淆，我们逐一拆解。

1. 子空间：判断“是否合法”

一个集合 $U \subseteq R^n$，如果满足：

• $0 \in U$
• 对数乘封闭
• 对加法封闭
  那么它就是 $R^n$ 里的一个子空间。它是一个内部运算封闭的“向量世界”。

2. 张成：判断“能铺多大”

给定一组向量 $v^{(1)}, v^{(2)}, ..., v^{(k)}$，它们的张成是：

即，这些向量所有可能的线性组合构成的集合。它关心的是：这些向量能‘生成’出什么样的空间？

3. 基：判断“是否最省”

如果一组向量 $B$ 满足：

1. $U = Span(B)$
2. $B$ 线性无关
   那么 $B$ 就是 $U$ 的一个基。它的本质是：用最少但足够的向量，来描述整个空间。

图中 $R^2$ 例子的进一步解析

图中展示了 $R^2$ 中的四个向量：$v^{(1)}$ (右), $v^{(2)}$ (左), $v^{(3)}$ (上), $v^{(4)}$ (右上)。

情况1：两个不同方向的向量

图中说 $Span(v^{(1)}, v^{(3)}) = R^2$。因为它们一个提供水平方向，一个提供竖直方向，足以铺满整个平面。此时它们不仅是张成，而且线性无关，因此它们就是 $R^2$ 的一组基。

情况2：两个共线向量

图中说 $Span(v^{(1)}, v^{(2)}) \neq R^2$。因为 $v^{(1)}$ 和 $v^{(2)}$ 都在 x 轴上，无论怎么组合，都只能得到 $(x, 0)$ 形式的向量，无法得到 y 分量。这说明：向量数量多不一定有用，方向是否真正不同才关键。

情况3：向量很多，但有冗余

图中写 $Span(v^{(1)}, v^{(2)}, v^{(3)}, v^{(4)}) = R^2$。这当然成立，因为其中已包含足够的方向。但这四个向量不是基，因为在二维空间里，四个向量必然线性相关，存在冗余。所以：

• 能张成，不一定是基；
• 还得线性无关，才是基。

为何“线性无关”如此关键？

假设一组向量中，其中一个能被其他向量线性表示，例如 $v^{(3)} = v^{(1)} + v^{(2)}$，那么 $v^{(3)}$ 就是“多余的”。因为仅用 $v^{(1)}$ 和 $v^{(2)}$ 就已经能组合出 $v^{(3)}$ 了。这样的向量组虽然能张成空间，但不够简洁。因此，基的线性无关性确保了：基里的每个向量都是不可或缺、不可替代的。

基的核心价值：表示的唯一性

这是“基”最重要的一个结论。

如果 $B = (b^{(1)}, b^{(2)}, ..., b^{(k)})$ 是子空间 $U$ 的一个基，那么 $U$ 中每个向量 $u$ 都能唯一地写成：

为何唯一？

• 基能张成 $U$：所以“至少能写出来”一种表示。
• 基线性无关：所以“不会出现两种不同写法”。

假设有两种表示：$u = \sum \lambda_i b^{(i)} = \sum \mu_i b^{(i)}$。两边相减得：$\sum (\lambda_i - \mu_i) b^{(i)} = 0$。由于向量线性无关，所有系数差必须为零，即 $\lambda_i = \mu_i$。因此表示唯一。

坐标的起源

一旦选定一个基 $B$，任何向量 $u$ 都有唯一表示 $u = \sum \lambda_i b^{(i)}$。那么这组系数 $(\lambda_1, \lambda_2, ..., \lambda_k)$ 就称为 $u$ 在基 $B$ 下的坐标。

所以，你可以把“基”理解为：为空间选定的一套参考方向或坐标系。 不同的基，对应着不同的坐标系。

图中的标准基与自定义基

图中最经典的例子是 $R^n$ 的标准基 $e_1, ..., e_n$。比如在 $R^3$ 中，任意向量 $(x, y, z)$ 都能唯一写成 $x e_1 + y e_2 + z e_3$，这里的 $(x, y, z)$ 就是它在标准基下的坐标。

图最后给出 $R^3$ 的另一组基：$(-3, 0, 0), (1, 1, 0), (2, 0, -1)$。这说明：

一个空间的基不是唯一的。

只要在三维空间中找到三个线性无关的向量，它们就能张成整个 $R^3$，从而构成一组基。

为什么这组向量能成基？观察：

• $(-3, 0, 0)$ 主要在 $x$ 方向。
• $(1, 1, 0)$ 带来了 $y$ 分量。
• $(2, 0, -1)$ 带来了 $z$ 分量。
  它们提供了三个独立方向。更严谨地，可以看由它们构成的上三角矩阵：
  $$ \begin{bmatrix} -3 & 1 & 2 \\ 0 & 1 & 0 \\ 0 & 0 & -1 \end{bmatrix} $$

  其行列式为 $(-3) \times 1 \times (-1) = 3 \neq 0$，所以列向量线性无关，因而构成 $R^3$ 的一组基。

图的暗示：维数 (Dimension)

虽然图中未明写“维数”，但已在铺垫。在 $R^2$ 中，一组基有2个向量，故维数为2。在 $R^3$ 中，一组基有3个向量，故维数为3。更一般地：一个子空间的任意一组基，其向量个数都相同，这个个数称为该子空间的维数。 即：维数 = 基向量的个数。

完整理解链条

你可以将整页内容压缩为以下清晰链条：

1. 选定一个集合 $U$。
2. 检查它是否为子空间（含零、加法和数乘封闭）。
3. 选取一些向量，看它们的 $Span$ 是什么。
4. 如果 $Span$ 正好等于 $U$，说明这些向量能生成 $U$。
5. 如果这些向量同时线性无关，说明没有冗余。
6. 于是这组向量就是 $U$ 的基。

最实用的判断准则

以后判断一组向量是否是某子空间的基，只需检查两件事：

1. 它们是否张成该子空间？
2. 它们是否线性无关？

---

具体实例：串联子空间、张成与基

我们用一个具体的 $R^3$ 中的例子，将这三个概念完整演算一遍。

考虑集合：

这是 $R^3$ 中一个过原点的平面。

第一步：判断 $U$ 是否为子空间

检查三个条件：

1. 零向量属于 $U$：
   零向量是 $(0,0,0)$。代入条件 $0+0+0=0$，成立。满足。

2. 对数乘封闭：
   任取 $u = (x, y, z) \in U$，则 $x+y+z=0$。任取实数 $\lambda$，看 $\lambda u = (\lambda x, \lambda y, \lambda z)$ 是否仍在 $U$ 中。计算：$\lambda x + \lambda y + \lambda z = \lambda (x+y+z) = \lambda \cdot 0 = 0$。所以 $\lambda u \in U$。满足。

3. 对加法封闭：
   任取 $u = (x_1, y_1, z_1) \in U$，$v = (x_2, y_2, z_2) \in U$，则 $x_1+y_1+z_1=0$， $x_2+y_2+z_2=0$。看它们的和 $u+v = (x_1+x_2, y_1+y_2, z_1+z_2)$ 是否仍在 $U$ 中。计算：$(x_1+x_2)+(y_1+y_2)+(z_1+z_2) = (x_1+y_1+z_1)+(x_2+y_2+z_2)=0+0=0$。所以 $u+v \in U$。满足。

结论：$U$ 是 $R^3$ 的一个子空间。

第二步：将 $U$ 表示为 Span 的形式

已知 $U$ 中任意向量 $(x, y, z)$ 满足 $x+y+z=0$，即 $z = -x - y$。
因此，任意 $u \in U$ 都可以写成：

将其拆开：

提取系数 $x$ 和 $y$：

这说明 $U$ 中的向量都能由 $a = (1, 0, -1)$ 和 $b = (0, 1, -1)$ 线性组合出来。反之，任意取 $x, y \in R$，得到的向量 $(x, y, -x-y)$ 一定满足 $x+y+(-x-y)=0$，属于 $U$。因此：

第三步：验证 Span

例如，取 $u_1 = (2, -1, -1) \in U$（因为 $2+(-1)+(-1)=0$）。看它能否由 $a, b$ 生成：设 $u_1 = x a + y b$，即 $(2, -1, -1) = (x, y, -x-y)$。比较坐标得 $x=2, y=-1$，第三坐标自动满足 $-2-(-1) = -1$。所以 $u_1 = 2a + (-1)b$。

第四步：判断 $\{a, b\}$ 是否为 $U$ 的基

判断基只需两件事：1) 张成 $U$；2) 线性无关。

1. 张成：上面已证明 $U = Span\{a, b\}$。
2. 线性无关：设 $\lambda_1 a + \lambda_2 b = (0,0,0)$，即 $(\lambda_1, \lambda_2, -\lambda_1 - \lambda_2) = (0,0,0)$。比较前两个坐标，直接得到 $\lambda_1 = 0, \lambda_2 = 0$。所以 $a, b$ 线性无关。

结论：$B = \{ (1,0,-1),\ (0,1,-1) \}$ 是子空间 $U$ 的一个基。

第五步：为什么是“够用但不多余”

• 够用：因为 $Span(B) = U$，$U$ 中所有向量都能由它们表示。
• 不多余：因为 $a, b$ 线性无关。$a$ 不是 $b$ 的倍数，反之亦然。两个方向都是真正需要的。

第六步：反例对比

• 情况 A (能张成，非基)：考虑 $\{a, b, a+b\}$。显然 $Span\{a, b, a+b\} = U$，但 $a+b$ 可由 $a$ 和 $b$ 表示，三者线性相关，故不是基。
• 情况 B (线性无关，张成不足)：只取 $\{a\}$。单个非零向量线性无关，但 $Span\{a\}$ 只是一条直线，不等于平面 $U$，故不是基。

第七步：任意向量的坐标表示

因为 $B$ 是基，所以 $U$ 中任意向量 $u = (x, y, z)$ 都有唯一表示：$u = x \cdot a + y \cdot b$。
因此，$u$ 在基 $B$ 下的坐标就是 $(x, y)$。
注意：$u$ 本身在 $R^3$ 中有3个坐标，但它属于二维子空间 $U$，所以相对于该子空间的基，只需2个坐标即可。这印证了 $U$ 是二维的。

第八步：基不唯一

同一个子空间 $U$，基不唯一。例如取 $c=(1,-1,0), d=(0,1,-1)$。它们都在 $U$ 中（$1+(-1)+0=0$, $0+1+(-1)=0$），且不是倍数关系，线性无关。由于 $U$ 是二维平面，两个独立方向足以张成它，所以 $\{c, d\}$ 也是 $U$ 的一组基。事实上，原基向量 $a = c + d$。

最终小结

在这个具体例子中，我们完整地串联了三个概念：

• 子空间 $U$：$R^3$ 中满足 $x+y+z=0$ 的平面，是一个合法的向量空间。
• 张成：$U = Span\{ (1,0,-1),\ (0,1,-1) \}$，说明了这个平面由哪些向量生成。
• 基：$B = \{ (1,0,-1),\ (0,1,-1) \}$，是从生成向量中选出的一组既够用（张成 $U$）又不多余（线性无关）的向量。

基 $B$ 包含2个向量，因此子空间 $U$ 的维数为 2。

理解子空间、张成和基的关系，是掌握线性代数底层逻辑的关键。希望本文的逐步解析与实例，能帮助你彻底搞懂这些核心概念。欢迎在云栈社区继续探讨更多数学与计算机科学的基础话题。