線形写像と変換

線形代数における「線形写像と変換（linear mapping / linear transformation）」は、ベクトル空間の構造を保ったまま、ある空間から別の空間へ写す関数のことであり、機械学習や強化学習の数理的土台として非常に重要な概念です。

---

線形写像とは何か？

**線形写像（または線形変換）**は、以下の2つの条件を満たす写像（関数）です。

ベクトル空間 $V$ から $W$ への写像 $T: V \to W$ が線形であるとは、任意のベクトル $\mathbf{u}, \mathbf{v} \in V$ とスカラー $c \in \mathbb{R}$ に対して次の2つの性質が成り立つときです：

1. 加法の保存：

   $$T(\mathbf{u} + \mathbf{v}) = T(\mathbf{u}) + T(\mathbf{v})$$

2. スカラー倍の保存：

   $$T(c \mathbf{u}) = c T(\mathbf{u})$$

これらの性質により、線形写像は「ベクトル空間の構造を保つ」変換であるといえます。

---

行列による線形写像の表現

実際の計算では、線形写像は行列によって表現できます。たとえば、2次元ベクトルに対する線形写像は、以下のように行列の積として書けます：

$$T(\mathbf{x}) = A \mathbf{x}$$

ここで：

• $A$ は $m \times n$ 行列（変換行列）、

• $\mathbf{x}$ は $n \times 1$ 列ベクトル。

この形式であれば、任意のベクトル $\mathbf{x}$ に対して、写像 $T$ を簡潔に表現し、計算できます。

---

幾何的な解釈：線形変換の例

線形変換は、以下のような幾何的変換を表すことができます：

すべて原点を通る変換であり、原点が移動することはありません。これは線形性の性質によるものです。

---

機械学習・強化学習との関係

機械学習や強化学習では、線形変換の知識が以下のような場面で必要になります：

• 重み付き和の計算：ニューラルネットワークの各層では、入力ベクトルに対して重み行列を掛けることで次の層の出力を得ます。これは線形変換の応用です。

• 次元削減（PCAなど）：主成分分析（PCA）は、データを特定の軸方向に直交射影する線形変換によって次元を削減します。

• 状態遷移モデル：強化学習における線形ダイナミクスモデルでは、現在の状態に線形変換を施して次の状態を予測します。

---

線形変換の合成と逆変換

• 合成：複数の線形変換を連続して適用すると、新たな線形変換になります。これは行列の積で表されます。

• 逆変換：ある線形変換に対して、元のベクトルに戻す変換（逆写像）が存在する場合、その変換行列は**正則（逆行列が存在）**です。

---

まとめ

線形写像の理解は、機械学習のアルゴリズムの数理的背景を読み解くために不可欠です。特に、「行列による変換としての捉え方」を身につけておくと、理論と実装の橋渡しがしやすくなります。