想象你拿到一张城市公交地图。地图左半边画着出发候车大厅，右半边画着终点站台。矩阵 \(A\) 就是连接两边的换乘规则：每一列是一条线路，每个输入 \(x\) 是一套出行方案，输出 \(b\) 是最终到达的站台。线性代数告诉你，地图上其实只有四块区域：能到达的站台、无效的环线、候车大厅里真正有用的方向，以及站台上永远测不到信号的盲区。这四块区域就是矩阵的四大子空间。它们像地图的四个图层，拼起来就是完整的线性世界。掌握这张地图，你就能一眼看出方程组有没有解、有多少解，也为理解 SVD 打下直觉基础。

岗位关联

职业价值：四大子空间是读懂线性方程组、最小二乘和 SVD 的通用坐标系。AI 从业者用矩阵描述数据变换，看懂这四块区域，调模型时才能从“玄学”变成“几何”。

目录
  1. 可视化演示
  2. 子空间总览：一张地图四块区域
  3. 列空间：所有可达站点
  4. 零空间：空转环线
  5. 行空间：输入侧有效方向
  6. 左零空间：输出侧盲区
  7. 秩零度定理：维度守恒
  8. 正交补与直和：两两配对
  9. 解结构与 SVD：地图的实战用法
  10. AI 应用场景
  11. Python 演示
  12. 常见误区
  13. 面试题

可视化演示

通过四大子空间关系地图、秩零度定理维数关系、以及正交分解投影，展示列空间、行空间、零空间和左零空间如何构成线性代数的核心地图。

本节配有交互动效（进入视口后自动加载，约 3KB）。

四大子空间关系地图 列空间C(A)和左零空间N(AT)在R^m中正交互补 行空间C(AT)和零空间N(A)在R^n中正交互补 r(A)+n(A)=n 矩阵A连接R^n与R^m两个空间

子空间总览：一张地图四块区域

拿到城市交通地图后，先看图例。图例会告诉你：哪些颜色代表可达站台，哪些线代表环线，哪些区域是盲区。矩阵的四大子空间就是线性代数里这张地图的“图例”，它们把输入空间和输出空间各自分成两部分。

更具体地说，一个 \(m \times n\) 的矩阵 \(A\) 是一个从 \(n\) 维输入空间到 \(m\) 维输出空间的线性映射。地铁图左侧候车大厅是 \(\mathbb{R}^n\)，右侧站台是 \(\mathbb{R}^m\)。站在两个大厅里各看一次，就能发现四个子空间：列空间和左零空间住在输出侧，行空间和零空间住在输入侧。

看地图要先知道自己在哪个大厅。同样，做线性代数题时，先问“这个子空间在 \(\mathbb{R}^n\) 还是 \(\mathbb{R}^m\)”，你就已经拿到一半分数了。

C(A)⊆Rm,N(AT)⊆Rm,C(AT)⊆Rn,N(A)⊆Rn\displaystyle C(A)\subseteq\mathbb{R}^m,\quad N(A^{\mathsf T})\subseteq\mathbb{R}^m,\quad C(A^{\mathsf T})\subseteq\mathbb{R}^n,\quad N(A)\subseteq\mathbb{R}^n
这个式子告诉你四块区域分别在哪个“城市大厅”里，是后续所有推导的地图坐标。
  1. 列空间矩阵列的线性组合全体，对应“能到达的站台集合”。
    C(A)={Ax:x∈Rn}\displaystyle C(A)=\{Ax:x\in\mathbb{R}^n\}
  2. 转置的列空间把矩阵转置后，它的列空间等价于原矩阵行向量的组合，是“输入侧有效方向”。
    C(AT)={ATy:y∈Rm}\displaystyle C(A^{\mathsf T})=\{A^{\mathsf T}y:y\in\mathbb{R}^m\}
  3. 零空间满足 \(Ax=0\) 的输入向量，是“空转环线集合”。
    N(A)={x∈Rn:Ax=0}\displaystyle N(A)=\{x\in\mathbb{R}^n:Ax=0\}
  4. 左零空间满足 \(A^{\mathsf T}y=0\) 的输出向量，是“输出侧盲区组合”。
    N(AT)={y∈Rm:ATy=0}\displaystyle N(A^{\mathsf T})=\{y\in\mathbb{R}^m:A^{\mathsf T}y=0\}
  5. 空间位置四个子空间分居两个大厅，输出侧两个、输入侧两个。
    Rm∋C(A),N(AT);Rn∋C(AT),N(A)\displaystyle \mathbb{R}^m \ni C(A),N(A^{\mathsf T});\quad \mathbb{R}^n \ni C(A^{\mathsf T}),N(A)

列空间：所有可达站点

地图右半边最重要的区域，是所有线路能到达的站台集合。每条线路 \(a_j\) 是一条从候车大厅出发的专线，组合不同的线路就能到达不同站台。这个“所有能到达的站台”就是列空间。

数学上，把 \(A\) 写成列向量 \(a_1,a_2,\dots,a_n\)，对它们做任意实数加权求和，得到的所有向量就是列空间。它之所以叫“列空间”，因为它是由矩阵的列向量张成的空间。列空间的维数就是矩阵的秩 \(r\)，也代表这张地图上真正独立的线路数量。

如果目标 \(b\) 不在列空间里，就好像地图上有个“机场”但没有任何线路能到达。此时 \(Ax=b\) 无解。在机器学习里，这常常意味着数据向量落在列空间之外，所以我们才需要最小二乘法去“找最近的站台”。

C(A)={∑j=1nxjaj  |  xj∈R}\displaystyle C(A)=\left\{\sum_{j=1}^{n}x_j a_j \;\middle|\; x_j\in\mathbb{R}\right\}
列空间 = 所有列向量的线性组合。判断 \(Ax=b\) 有没有解，就是判断 \(b\) 是不是这些组合中的一员。
  1. 求和符号把 \(n\) 条线路按权重叠加。
    ∑j=1n\displaystyle \sum_{j=1}^{n}
  2. 系数乘向量第 \(j\) 条线路 \(a_j\) 被系数 \(x_j\) 放大或缩小。
    xjaj\displaystyle x_j a_j
  3. 所有组合的集合花括号表示把任意实数 \(x_j\) 代入后能得到的全部结果。
    {∑j=1nxjaj  |  xj∈R}\displaystyle \left\{\sum_{j=1}^{n}x_j a_j \;\middle|\; x_j\in\mathbb{R}\right\}
  4. 几何含义这个集合正是所有可达站台，也就是列空间。
    C(A)=span⁡{a1,…,an}\displaystyle C(A)=\operatorname{span}\{a_1,\dots,a_n\}

零空间：空转环线

城市地图里总有一些环线：明明发车了，绕一大圈又回到原点，从站台网络看，净效果为零。这些“空转”的出行方案放在矩阵里，就是零空间。

零空间的正式定义是：所有满足 \(Ax=0\) 的向量 \(x\)。换句话说，输入向量 \(x\) 被矩阵 \(A\) 映射到了零向量。这并不代表 \(x\) 一定是零向量，而是它的各分量在换乘中互相抵消了。这些向量组成的集合记作 \(N(A)\)，它是 \(\mathbb{R}^n\) 的子空间，维数等于自由变量个数 \(n-r\)。

零空间的现实意义很大：如果两个出行方案相差一个零空间向量，它们最终到达的站台完全一样。线性方程组的通解，就是在特解基础上再叠加任意一个“环线向量”，不影响结果。

N(A)={x∈Rn  |  Ax=0}\displaystyle N(A)=\left\{x\in\mathbb{R}^n \;\middle|\; Ax=0\right\}
零空间是“输入被压缩成零”的那部分空间。它的大小决定齐次方程组有多少非零解。
  1. 矩阵乘法\(Ax\) 表示执行整套出行方案。
    Ax\displaystyle Ax
  2. 等于零向量\(=0\) 表示净位移为零，回到了原点。
    Ax=0\displaystyle Ax=0
  3. 输入向量\(x\in\mathbb{R}^n\) 说明我们在候车大厅里找这些方案。
    x∈Rn\displaystyle x\in\mathbb{R}^n
  4. 解集所有满足条件的 \(x\) 合在一起，就是零空间。
    N(A)={x:Ax=0}\displaystyle N(A)=\{x:Ax=0\}

行空间：输入侧有效方向

站在候车大厅里，你会发现很多出发方向其实不改变最终目的地：它们只是环线的一部分。真正能改变到达站台的方向，恰恰来自行空间。行空间是矩阵每一行的线性组合全体。

为什么行空间在输入侧？因为把矩阵转置后，原来的行变成了列，而转置矩阵的列空间就由这些行向量张成。所以行空间也记作 \(C(A^{\mathsf T})\)。行空间的维数同样等于秩 \(r\)，这就是“行秩等于列秩”的几何原因。

如果把输入 \(x\) 分解为“行空间分量 + 零空间分量”，那么零空间分量完全不影响输出，只有行空间分量决定了最终去哪个站台。这个分解是理解 SVD 和最小二乘的钥匙。

C(AT)={∑i=1myiri  |  yi∈R}\displaystyle C(A^{\mathsf T})=\left\{\sum_{i=1}^{m}y_i r_i \;\middle|\; y_i\in\mathbb{R}\right\}
行空间是输入空间中真正影响输出的方向。它与零空间正交，并把输入空间拆成“有效”和“空转”两部分。
  1. 行向量\(r_i\) 是矩阵的第 \(i\) 行，看作候车大厅里的一个方向。
    ri\displaystyle r_i
  2. 权重组合把 \(m\) 个行方向用系数 \(y_i\) 叠加。
    ∑i=1myiri\displaystyle \sum_{i=1}^{m}y_i r_i
  3. 转置视角转置后这些“行方向”变成列，所以行空间是 \(A^{\mathsf T}\) 的列空间。
    C(AT)\displaystyle C(A^{\mathsf T})
  4. 维数结论行空间与列空间维数相同，都是秩 \(r\)。
    dim⁡C(AT)=dim⁡C(A)=r\displaystyle \dim C(A^{\mathsf T})=\dim C(A)=r

左零空间：输出侧盲区

再看地图右侧站台。有些“传感器组合”对所有线路都测不到信号：无论哪趟车进站，它们给出的读数都是零。这些永远沉默的组合，就是左零空间。

它的定义来自转置矩阵的零空间：满足 \(A^{\mathsf T}y=0\) 的向量 \(y\) 组成左零空间，记作 \(N(A^{\mathsf T})\)。它生活在输出空间 \(\mathbb{R}^m\) 中，维数为 \(m-r\)。由于 \(A^{\mathsf T}y=0\) 等价于 \(y^{\mathsf T}A=0\)，所以 \(y\) 与每一列都正交，也就是与列空间完全垂直。

地图上每个站台都可以拆成两部分：能到达的部分在列空间，测不到的部分在左零空间。两者互不重叠且互相垂直，这就是下一节“正交补”的直觉来源。

N(AT)={y∈Rm  |  ATy=0}\displaystyle N(A^{\mathsf T})=\left\{y\in\mathbb{R}^m \;\middle|\; A^{\mathsf T}y=0\right\}
左零空间是输出侧与列空间正交的“盲区”。它与列空间一起把整个输出空间补满。
  1. 转置乘法\(A^{\mathsf T}y=0\) 是把站台权重 \(y\) 反推回候车大厅后得到零。
    ATy=0\displaystyle A^{\mathsf T}y=0
  2. 等价形式两边转置得到 \(y^{\mathsf T}A=0\)，说明 \(y\) 与所有列的点积都是零。
    yTA=0\displaystyle y^{\mathsf T}A=0
  3. 输出向量\(y\in\mathbb{R}^m\) 表示它位于站台侧空间。
    y∈Rm\displaystyle y\in\mathbb{R}^m
  4. 维数左零空间维数是输出空间维数减去秩，即 \(m-r\)。
    dim⁡N(AT)=m−r\displaystyle \dim N(A^{\mathsf T})=m-r

秩零度定理：维度守恒

一张地图无论画得多复杂，维度不会凭空产生或消失。矩阵的秩 \(r\) 是有效线路数量，零度 \(\dim N(A)\) 是环线自由度。秩零度定理说：在输入空间里，两者加起来恰好等于 \(n\)。

为什么？因为输入空间的每一个方向，要么真正改变输出，要么被压缩到零。有效方向和空转方向合在一起，刚好铺满整个候车大厅。用公式写就是著名的秩零度定理。

有了这条守恒律，你只要知道矩阵的秩，就能立刻知道齐次方程有多少自由变量。比如一个 \(3\times 5\) 矩阵秩为 2，那么零空间维数就是 \(5-2=3\)。这种快速判断在解方程组和诊断模型时非常实用。

dim⁡N(A)+dim⁡C(A)=n\displaystyle \dim N(A)+\dim C(A)=n
零空间维数加列空间维数等于输入空间维数。这是线性代数中最基本的“账本”等式。
  1. 零空间维数\(\dim N(A)\) 是空转环线的自由度，也是自由变量个数。
    dim⁡N(A)=n−r\displaystyle \dim N(A)=n-r
  2. 列空间维数\(\dim C(A)\) 是可达站台的有效维度，也就是秩。
    dim⁡C(A)=r\displaystyle \dim C(A)=r
  3. 相加有效维度加空转维度。
    (n−r)+r\displaystyle (n-r)+r
  4. 守恒结果等于输入空间总维数 \(n\)。
    =n\displaystyle =n

正交补与直和：两两配对

地图上的横轴和纵轴相互垂直，并且合在一起能描述平面上的任意一点。四大子空间也有这样的配对关系：输入侧的行空间与零空间互为正交补，输出侧的列空间与左零空间互为正交补。

“正交补”的意思是：两个子空间互相垂直，而且把它们直和起来刚好得到整个空间。用公式表示，输入侧和输出侧各有一组优雅的等式。

这个分解让你可以放心地对向量“拆解”。在机器学习中，把误差向量拆成列空间分量和左零空间分量，正是最小二乘法成立的几何原因。

Rn=C(AT)⊕N(A),Rm=C(A)⊕N(AT)\displaystyle \mathbb{R}^n=C(A^{\mathsf T})\oplus N(A),\qquad \mathbb{R}^m=C(A)\oplus N(A^{\mathsf T})
四大子空间不是孤立存在的，它们两两配对，像地图上的经纬线一样正交且互补。
  1. 直和符号\(\oplus\) 表示两个子空间除零向量外互不重叠，并且合起来生成整个空间。
    U⊕V\displaystyle U\oplus V
  2. 输入侧分解任意输入向量都能唯一拆成“行空间分量 + 零空间分量”。
    Rn=C(AT)⊕N(A)\displaystyle \mathbb{R}^n=C(A^{\mathsf T})\oplus N(A)
  3. 输出侧分解任意输出向量都能唯一拆成“列空间分量 + 左零空间分量”。
    Rm=C(A)⊕N(AT)\displaystyle \mathbb{R}^m=C(A)\oplus N(A^{\mathsf T})
  4. 正交性每对空间互相垂直，所以叫正交补。
    C(A)⊥=N(AT),C(AT)⊥=N(A)\displaystyle C(A)^{\perp}=N(A^{\mathsf T}),\quad C(A^{\mathsf T})^{\perp}=N(A)

解结构与 SVD：地图的实战用法

有了地图，终于可以解决实际问题。对于线性方程组 \(Ax=b\)，如果 \(b\) 在列空间里，方程组有解。找到任意一个特解 \(x_p\) 后，通解还能再叠加任意零空间向量 \(x_h\)，因为 \(A(x_p+x_h)=Ax_p+Ax_h=b+0=b\)。

这一结论统一了“有唯一解”“无穷多解”和“无解”三种情况。再往前走一步，SVD 把矩阵分解成 \(U\Sigma V^{\mathsf T}\)，其中 \(U\) 的列就是列空间和左零空间的基，\(V\) 的列就是行空间和零空间的基。四大子空间因此成为 SVD 的坐标轴。

SVD 是把地图从“城市公交视角”升级成“卫星视角”。奇异值告诉你哪些方向的影响力大，哪些方向可以忽略。图像压缩、推荐系统、PCA 降维，背后都是这张四大子空间地图在起作用。

{x∈Rn  |  Ax=b}=xp+N(A)\displaystyle \left\{x\in\mathbb{R}^n \;\middle|\; Ax=b\right\}=x_p+N(A)
通解集合 = 特解 + 零空间。SVD 则是把这张地图旋转、缩放、再旋转，让四大子空间直接现形。
  1. 方程解集花括号内是所有满足 \(Ax=b\) 的向量。
    {x:Ax=b}\displaystyle \{x:Ax=b\}
  2. 特解\(x_p\) 是一个具体的到达方案，保证 \(Ax_p=b\)。
    Axp=b\displaystyle Ax_p=b
  3. 零空间叠加加上任意 \(x_h\in N(A)\) 后，结果仍是解。
    A(xp+xh)=b+0\displaystyle A(x_p+x_h)=b+0
  4. 通解结构所以解集等于“一个特解加上整个零空间”。
    xp+N(A)={xp+xh:xh∈N(A)}\displaystyle x_p+N(A)=\{x_p+x_h:x_h\in N(A)\}

AI 应用场景

最小二乘法与线性回归

阶段：模型训练与参数求解

解决的问题：当样本数多于特征数时，\(Ax=b\) 通常无解，因为 \(b\) 不在列空间里。传统做法是硬解方程然后报错；AI 的做法是把 \(b\) 投影到列空间，找到最接近的可达站台，从而得到最小二乘解。

具体案例：训练房价预测模型时，特征矩阵 \(A\) 有 1000 行、20 列，真实房价向量 \(b\) 往往不在列空间中。用正规方程 \(x=(A^{\mathsf T}A)^{-1}A^{\mathsf T}b\) 求解，本质就是把 \(b\) 投影到列空间。四大子空间告诉我们：误差向量一定落在左零空间，所以它和预测方向正交。

推荐系统中的 SVD 降维

阶段：特征工程与矩阵分解

解决的问题：用户-物品评分矩阵通常又大又稀疏，直接计算很慢。SVD 用四大子空间把矩阵拆成旋转、缩放、旋转，保留列空间和行空间中奇异值较大的方向，丢弃零空间和左零空间中的噪声方向。

具体案例：Netflix 推荐系统中，用户评分矩阵 \(A\) 经过 SVD 得到 \(U\Sigma V^{\mathsf T}\)，只保留前 \(k\) 个奇异值，就能用低秩矩阵预测缺失评分。这相当于只保留地图上的主干道，忽略无关紧要的环线和盲区。

图神经网络中的零空间与连通分量

阶段：图数据建模与特征传播

解决的问题：图拉普拉斯矩阵 \(L\) 的零空间维数等于图中连通分量的个数。传统社区发现需要遍历全图，而通过分析零空间基，AI 模型可以快速捕获图的整体结构。

具体案例：在社交网络聚类中，把每个用户看成节点，构建拉普拉斯矩阵。零空间的一组基会告诉你哪些节点属于同一个连通分量；图神经网络把这组基当作谱特征输入模型，从而更稳定地完成社区划分。

Python 演示

python30 行
import numpy as np  def four_fundamental_subspaces(A, tol=1e-10):    """返回 A 的四大子空间的一组正交基。"""    m, n = A.shape    U, s, Vh = np.linalg.svd(A)    rank = int(np.sum(s > tol))     col = U[:, :rank]                # 列空间基    left_null = U[:, rank:]          # 左零空间基    row = Vh[:rank, :].T             # 行空间基    null = Vh[rank:, :].T            # 零空间基    return col, row, null, left_null, rank  if __name__ == "__main__":    A = np.array([        [1.0, 2.0, 0.0],        [0.0, 1.0, 1.0],        [1.0, 3.0, 1.0],        [2.0, 5.0, 1.0]    ])    C, R, N, LN, r = four_fundamental_subspaces(A)    print("rank =", r)    print("列空间维度 =", C.shape[1])    print("行空间维度 =", R.shape[1])    print("零空间维度 =", N.shape[1])    print("左零空间维度 =", LN.shape[1])    print("零空间的一组基:\n", N.T)
目的：用 SVD 一次性求出矩阵 \(A\) 的四个基本子空间的正交基，并验证维数关系。
  1. U, s, Vh = np.linalg.svd(A)把矩阵拆成旋转、缩放、旋转三步，SVD 是四大子空间的“探测器”。
  2. rank = int(np.sum(s > tol))数一数奇异值中明显大于 0 的个数，这就是矩阵的秩。
  3. col = U[:, :rank]\(U\) 的前 \(r\) 列张成列空间。
  4. left_null = U[:, rank:]\(U\) 的后面列张成左零空间。
  5. row = Vh[:rank, :].T\(Vh\) 的前 \(r\) 行转成列向量，张成行空间。
  6. null = Vh[rank:, :].T\(Vh\) 的剩余行转成列向量，张成零空间。
  7. print("零空间的一组基:\n", N.T)把基向量按行打印，方便检查 \(A N = 0\)。

常见误区

误区我一直以为列空间和行空间就是同一个东西，只是写法不同，反正维数都等于秩。

正解它们维数相同，但住在不同的空间里。列空间在输出空间 \(\mathbb{R}^m\)，行空间在输入空间 \(\mathbb{R}^n\)。就像地铁东线和西线都有 3 个站，但站点分别在两个城区，不能混为一谈。

为何常见：因为“秩”和维数相等，很多人只记住了数字，忽略了向量所在的空间位置。

误区既然 \(Ax=0\)，那 \(x\) 肯定只能是零向量，不然乘法结果怎么会是零？

正解只有矩阵满秩时零空间才只有零向量。如果矩阵不是满秩，就会有很多非零向量经过映射后被压成零向量。它们就像环线，出发后绕一圈回到原点，净位移为零。

为何常见：习惯了实数乘法“非零数相乘不为零”，但矩阵可以把不同方向互相抵消，产生非平凡零空间。

误区左零空间就是零空间的左边版本，都是让矩阵乘完等于零的向量。

正解零空间是 \(Ax=0\)，解在输入空间 \(\mathbb{R}^n\)；左零空间是 \(A^{\mathsf T}y=0\)，解在输出空间 \(\mathbb{R}^m\)。两者一个是“输入环线”，一个是“输出盲区”，位置完全不同。

为何常见：名字里都有“零”，又都和零方程有关，初学者容易只看名字不看转置。

误区四大子空间不是应该互相垂直吗？地图上四块区域都正交。

正解只有两对是正交补：列空间与左零空间正交，行空间与零空间正交。列空间和零空间不在同一个空间里，谈不上正交；其余组合也不一定垂直。

为何常见：可视化时总把四根轴画在同一个二维平面上，让人误以为四者两两垂直。

误区一个 \(m\times n\) 矩阵，秩应该等于 \(m\) 和 \(n\) 中的较大者，至少也是其中一个。

正解秩是线性无关行或列的最大数目，最多不超过 \(\min(m,n)\)。比如 \(4\times 3\) 矩阵的秩最多是 3，还可以更小。行秩等于列秩，但和行数、列数没有必然相等关系。

为何常见：看到矩阵有 4 行 3 列就觉得“很满”，忽略了行或列之间可能存在线性相关。

面试题

Q1. 设 \(A\) 是 \(3\times 5\) 矩阵，秩为 2，则零空间 \(N(A)\) 的维数是？

单选题 · easy

  • A.1维
  • B.2维
  • C.3维← 正确答案
  • D.5维

答案：C。由秩零度定理，零空间维数等于列数减秩，即 \(5-2=3\)。这就像候车大厅有 5 个方向，其中 2 个真正有效，剩下 3 个是空转环线。

Q2. 四个子空间中，哪一个与列空间互为正交补？

单选题 · mid

  • A.零空间
  • B.行空间
  • C.左零空间← 正确答案
  • D.列空间

答案：C。列空间与左零空间都住在输出空间 \(\mathbb{R}^m\)，并且相互垂直、直和得到整个输出空间。零空间和行空间在输入空间，与列空间不在同一侧。

Q3. 若 \(A\) 是 \(4\times 6\) 矩阵，秩为 3，则行空间的维数是？

单选题 · mid

  • A.2维
  • B.3维← 正确答案
  • C.4维
  • D.6维

答案：B。行空间维数等于列空间维数，都等于秩 3。虽然矩阵有 4 行，但只有 3 行是线性无关的，另外 1 行是冗余组合。

Q4. 齐次方程组 \(Ax=0\) 的非零解出现在哪个子空间中？

单选题 · easy

  • A.列空间
  • B.行空间
  • C.零空间← 正确答案
  • D.左零空间

答案：C。零空间的定义就是所有满足 \(Ax=0\) 的向量。非零解意味着矩阵把非零输入压成了零，这些输入全部来自零空间这条“环线”。

Q5. 设 \(A\) 是 \(m\times n\) 矩阵，秩为 \(r\)，则左零空间 \(N(A^{\mathsf T})\) 的维数是？

单选题 · hard

  • A.\(r\)
  • B.\(n-r\)
  • C.\(m\)
  • D.\(m-r\)← 正确答案

答案：D。左零空间是输出空间中的盲区，输出空间总维数是 \(m\)，去掉列空间的有效维数 \(r\)，剩下的盲区维数就是 \(m-r\)。它与零空间的 \(n-r\) 是两个不同空间的维数。

Q6. 关于矩阵 \(A\) 的四大子空间，下列说法正确的有？

多选题 · mid

  • A.列空间 \(C(A)\subseteq\mathbb{R}^m\)← 正确答案
  • B.零空间 \(N(A)\subseteq\mathbb{R}^n\)← 正确答案
  • C.行空间 \(C(A^{\mathsf T})\subseteq\mathbb{R}^n\)← 正确答案
  • D.左零空间 \(N(A^{\mathsf T})\subseteq\mathbb{R}^n\)

答案：ABC。列空间和左零空间在输出空间 \(\mathbb{R}^m\)，行空间和零空间在输入空间 \(\mathbb{R}^n\)。D 把左零空间放错了大厅，正确的是 \(N(A^{\mathsf T})\subseteq\mathbb{R}^m\)。

Q7. 线性方程组 \(Ax=b\) 有解的充要条件是？

单选题 · easy

  • A.\(b\) 在零空间
  • B.\(b\) 在列空间← 正确答案
  • C.\(b\) 在左零空间
  • D.\(b\) 在行空间

答案：B。\(b\) 必须是某个输入向量的像，也就是所有可达站台的集合，即列空间。这就像你要去一个地方，必须先确认地图上有线路能到达它。

Q8. 设 \(A\) 是 \(2\times 3\) 矩阵，秩为 1，则下列结论正确的有？

多选题 · hard

  • A.零空间维数为 2← 正确答案
  • B.行空间维数为 1← 正确答案
  • C.列空间维数为 1← 正确答案
  • D.左零空间维数为 2

答案：ABC。零空间维数是 \(n-r=3-1=2\)；行空间和列空间维数都等于秩 1；左零空间维数是 \(m-r=2-1=1\)，不是 2。所以 D 错。

Q9. 为什么最小二乘法与列空间密切相关？

单选题 · mid

  • A.误差向量与列空间正交← 正确答案
  • B.预测向量落在零空间
  • C.误差向量就是列空间
  • D.解向量在左零空间

答案：A。当 \(b\) 不在列空间时，最小二乘法把 \(b\) 投影到列空间，投影向量是预测值，误差向量落在左零空间，因此误差向量与列空间正交。这解释了正规方程为何是最优近似。

Q10. 设 \(A\) 的秩为 \(r\)，下列哪几对子空间是正交的？

多选题 · extreme

  • A.列空间与左零空间← 正确答案
  • B.行空间与零空间← 正确答案
  • C.列空间与零空间
  • D.行空间与左零空间

答案：AB。正交补的两对是：输出侧列空间与左零空间正交，输入侧行空间与零空间正交。列空间和零空间不在同一个空间里，不能直接谈正交；行空间和左零空间同样不构成标准正交补关系。