Algorithms For Dummies

 

   

  PART 1 

 Getting Started

       [ 0.,  1.,  0.,  0.],

       [ 0.,  0.,  1.,  0.],

       [ 0.,  0.,  0.,  1.]])

Note that an identity matrix contains all ones on the diagonal. Finding the inverse 

of a scalar is quite easy (the scalar number n has an inverse of n

–1

 that is 1/n). It’s 

a different story for a matrix. Matrix inversion involves quite a large number of 

computations. The inverse of a matrix A is indicated as A

–1

. When working with 

numpy

, you use the 

linalg.inv

 function to create an inverse. The following exam-

ple shows how to create an inverse, use it to obtain a dot product, and then com-

pare that dot product to the identity matrix by using the 

allclose

 function.

a = np.array([[1,2], [3,4]])

b = np.linalg.inv(a)

  

np.allclose(np.dot(a,b), np.identity(2))

True

Sometimes, finding the inverse of a matrix is impossible. When a matrix cannot 

be inverted, it is referred to as a singular matrix or a degenerate matrix. Singular 

matrixes aren’t the norm; they’re quite rare.