像空间

给定一个线性映射 $f: V \rightarrow W$，其中 $V$ 和 $W$ 是向量空间，$f$ 的像空间是所有向量 $f(v)$ 的集合，其中 $v$ 取遍 $V$ 中的所有向量。
像空间可以表示为：

$$\text{Im}(f) = \{w \in W : w = f(v), v \in V\}$$

像空间是 $W$ 的一个子空间。它包括了映射 $f$ 通过其操作可以达到的 $W$ 中的所有点。

直观

像空间是变换「保留下」的输出，即矩阵列向量张成的空间（列空间）。变换把输入压到 $\dim(\mathrm{Im}(f))$ 维，被压掉的部分正是核，二者由维数定理联系。

性质

• 线性子空间：像空间 $\text{Im}(f)$ 是 $W$ 的一个线性子空间。
• 维度：像空间的维度称为映射的秩。对于矩阵 $A$，它的秩定义为线性无关的列的最大数目，也等于 $A$ 的列空间的维度（见矩阵的秩）。

示例

考虑一个矩阵 $A$ 作为从 $\mathbb{R}^n$ 到 $\mathbb{R}^m$ 的线性映射：

$$A = \begin{bmatrix} 1 & 2 \\ 3 & 4 \\ 5 & 6 \end{bmatrix}$$

这里，$A$ 的像空间是由 $A$ 的列向量生成的所有线性组合形成的子空间。这意味着任何由 $A$ 中的列向量线性组合得到的向量都属于 $A$ 的像空间。

应用

• 解线性方程组：像空间在解线性方程组中扮演着关键角色。方程组 $Ax = b$ 有解当且仅当向量 $b$ 在矩阵 $A$ 的像空间中。
• 数学建模和数据分析：在数据分析中，研究数据点的分布往往涉及到对数据矩阵的像空间的研究，可以帮助理解数据的结构和信息维度。