Skalarprodukt (Dot Product)
Das Skalarprodukt zweier Vektoren liefert eine Zahl (kein Vektor):
a⃗ · b⃗ = a_x · b_x + a_y · b_y
Es ist ein Maß für die Ähnlichkeit der Richtung.
Geometrische Bedeutung
a⃗ · b⃗ = |a⃗| · |b⃗| · cos(θ)
wobei θ der Winkel zwischen den Vektoren ist.
| Skalarprodukt | Winkel | Bedeutung |
|---|
> 0 | < 90° | Vektoren zeigen in ähnliche Richtung |
= 0 | = 90° | Vektoren sind orthogonal (senkrecht) |
< 0 | > 90° | Vektoren zeigen in entgegengesetzte Richtung |
Klausur-Trick: orthogonal-Test geht super-einfach: a⃗ · b⃗ stackrel?= 0.
Beispiel
a⃗ = (3, 1), b⃗ = (-1, 3).
a⃗ · b⃗ = 3 · (-1) + 1 · 3 = -3 + 3 = 0
→ orthogonal, der Winkel ist genau 90°.
Winkel zwischen zwei Vektoren
Aus dem Skalarprodukt-Trick lässt sich direkt der Winkel berechnen:
cos(θ) = (a⃗ · b⃗)/(|a⃗| · |b⃗|)
θ = arccos((a⃗ · b⃗)/(|a⃗| · |b⃗|))
Vektoren in höheren Dimensionen
Alle Operationen verallgemeinern sich problemlos auf 3D, 4D oder n-dimensionale Vektoren:
a⃗ · b⃗ = Σ_(i=1)ⁿ a_i · b_i
Das ist der Kern vom Skalarprodukt im n-dimensionalen Raum und in Machine Learning der wichtigste Operator überhaupt: er misst Ähnlichkeit zwischen zwei Daten-Vektoren.