线性代数01-方程组的几何解释：从行图像到列图像
线性代数01：方程组的几何解释
为什么要从几何角度理解方程组？
从本节开始，我们将重新踏上线性代数的学习之旅。线性代数最经典的应用之一，就是求解复杂的方程组问题。而理解方程组的几何意义，能让我们不仅仅停留在代数运算的层面，更能直观地看到解的本质。
本文的核心很简单：我们将从行图像和列图像两个不同的几何视角，来理解如何求解线性方程组。
从二维方程组说起
行图像：直线的交点
我们先来看一个简单的二维例子，从行图像的角度来理解方程组的解。
例子： 求解方程组：
首先，我们可以将这个方程组写成矩阵形式：
在这个形式中：
- 系数矩阵(A)：将方程的系数按行提取出来构成的矩阵；
- 未知向量(x)：将未知数按列构成的向量；
- 向量(b)：等号右侧的结果按列构成的向量。
那么，什么是行图像呢？简单来说，就是从系数矩阵中每次取一行，把它看作一个方程，然后在坐标系中画出来。这其实和我们在初等数学中学的「作图法解方程」是一回事。
如下图所示，两条直线的交点——那个绿点 (1, 2)——就是这个方程组的解。
列图像：向量的线性组合
行图像的思路很直观，但这只是理解方程组的一种方式。现在，让我们换一个视角，从列图像的角度来重新看待这个方程组。
还是刚才那个方程组：
这次，我们不按行来看，而是按列来提取。我们可以把方程组写成这样的形式：
发现了吗？现在问题的性质变了。我们不再是在找「两条直线的交点」，而是在问：
如何将向量 $\begin{bmatrix}2 \\ -1\end{bmatrix}$ 和向量 $\begin{bmatrix}-1 \\ 2\end{bmatrix}$ 进行线性组合，才能得到结果向量 $\begin{bmatrix}0 \\ 3\end{bmatrix}$？
这里的「线性组合」，其实就是给每个向量乘上一个系数（x 和 y），然后把它们加起来。
我们可以用下面这张图来直观地理解这个过程：
从图中可以很清楚地看到，当 x=1，y=2 时，1倍的第一个向量加上2倍的第二个向量，正好得到我们想要的结果向量 (0, 3)。
这里还有一个有趣的思考：如果 x 和 y 可以取任意实数，那么所有可能的线性组合能得到什么？答案是：我们可以得到二维平面中的任意向量。这两个向量就像是平面的一组「基」，可以张成整个二维空间。
推广到三维：为什么列图像更有优势？
理解了二维的情况后，让我们把视角提升到三维空间，看看行图像和列图像的表现会有什么不同。
高维行图像：平面的交点
考虑这样一个三维方程组：
它的矩阵形式是：
如果用行图像来理解，每个方程代表三维空间中的一个平面。求解这个方程组，就是找这三个平面的交点。
思路是这样的：先找前两个平面的交线，再看这条直线和第三个平面交于哪一点。虽然理论上可行，但随着维度增加，这种方法会变得越来越难以想象——四维空间的”平面”长什么样？五个这样的”平面”又如何相交？
行图像在高维空间中遇到了直观性的瓶颈。
高维列图像：线性组合的力量
现在让我们用列图像的视角来看同一个三维方程组。这次，我们把方程写成向量的线性组合形式：
问题又变成了：找到合适的系数 x、y、z，让左边三个向量的线性组合等于右边的向量。
有趣的是，这个例子中有一个很巧妙的解：x=0, y=0, z=1。你看，第三个列向量本身就正好等于右边的 b！这个解在列图像中一目了然，但在三个平面相交的行图像中，就没那么容易看出来了。
为什么列图像更适合高维问题？
列图像的优势体现在两个方面：
更系统的思考方式：我们不需要去想象平面相交的场景，只需要考虑「如何组合这些向量」。这种思路可以自然地推广到四维、五维甚至更高维空间。
当右边的 b 改变时：假设我们把右边的 b 换成另一个向量：
用列图像的思路，我们只需要重新寻找一组线性组合系数。但如果用行图像呢？我们得把三个平面全部重新画一遍！
一个深刻的问题：是不是对任意的 b，方程 Ax = b 都有解？
换句话说：这三个列向量的线性组合，能不能覆盖整个三维空间？
对于我们刚才用的例子，答案是肯定的——这三个向量可以张成整个三维空间。
但并不是所有矩阵都能做到这一点。想象一下，如果三个列向量本来就躺在同一个平面上，那它们的所有线性组合也只能局限在这个平面里，无法填满整个三维空间。
比如下面这三个向量：
你发现了吗？第三个向量其实是前两个向量的和！这三个向量共面，它们张成的只是一个二维平面。对于这样的矩阵，当 b 恰好不在这个平面上时，方程 Ax = b 就无解了。
矩阵乘法的两种视角
理解了列图像的思想后，我们来看看矩阵乘法到底是什么。给定矩阵 A 和向量 x，如何计算 Ax？
让我们用一个例子来说明：
这里有两种等价的理解方式：
方式一：列向量的线性组合（推荐）
这正是我们前面讲的列图像视角——把矩阵看作列向量的集合：
用 x 的每个分量作为系数，与矩阵的各列向量相乘，然后相加。这是更符合线性代数本质的理解方式。
方式二：行向量的点积
这是传统的计算方法——矩阵的每行与向量做点积：
两种方法得到的结果完全相同，但第一种视角能让我们看到更深层次的几何意义。
小结
这篇文章我们从解方程切入，通过行图像和列图像两个视角重新理解了线性方程组。
- 行图像让我们看到”直线/平面的交点”，直观但在高维空间中难以想象
- 列图像将问题转化为”寻找向量的线性组合”，这种思路更系统、更具推广性
从列空间的角度，我们不仅能更优雅地求解方程，还能引出一个深刻的问题：这些列向量究竟能张成多大的空间？这正是线性代数核心概念——秩和线性相关性的源头。
下一篇文章，我们将继续探索这个精彩的线性代数世界。
微信
支付宝
