你想弄懂什么？

$2\times 2$ 变换矩阵将标准基向量映射到其自身的列。具体来说，矩阵的第一列是向量 $[1, 0]^T$ 的像，第二列是向量 $[0, 1]^T$ 的像。

适用条件：矩阵为 $2\times 2$。；在标准笛卡尔坐标中工作。

$2\times 2$ 变换矩阵将标准基向量映射到其自身的列。具体来说，矩阵的第一列是向量 $[1, 0]^T$ 的像，第二列是向量 $[0, 1]^T$ 的像。

适用条件：矩阵为 $2\times 2$。；在标准笛卡尔坐标中工作。

数学家将该概念推广到支持合理加法和标量乘法运算的任何对象。

适用条件：抽象线性代数背景

数学家将该概念推广到支持合理加法和标量乘法运算的任何对象。

适用条件：抽象线性代数背景

要构造左乘矩阵，需将原矩阵的行视为抽象向量 $r_1, r_2, r_3$。根据指定的操作，将新行写为旧行的线性组合。

适用条件：操作作用于一个有 3 行的矩阵。；操作是 $R_2 \leftarrow R_2 - 3R_1$ 和 $R_3 \leftarrow R_3 - 4R_1$。

要构造左乘矩阵，需将原矩阵的行视为抽象向量 $r_1, r_2, r_3$。根据指定的操作，将新行写为旧行的线性组合。

适用条件：操作作用于一个有 3 行的矩阵。；操作是 $R_2 \leftarrow R_2 - 3R_1$ 和 $R_3 \leftarrow R_3 - 4R_1$。

将 3x3 矩阵乘以向量 $(x, y, z)$ 会将矩阵的每一列（代表一个变换后的基向量）按相应的输入坐标进行缩放，并将结果相加。这是因为线性变换保持加法和标量乘法。

适用条件：矩阵是表示线性变换的 3x3 矩阵；输入向量具有坐标 $(x, y, z)$；变换是线性的

将 3x3 矩阵乘以向量 $(x, y, z)$ 会将矩阵的每一列（代表一个变换后的基向量）按相应的输入坐标进行缩放，并将结果相加。这是因为线性变换保持加法和标量乘法。

适用条件：矩阵是表示线性变换的 3x3 矩阵；输入向量具有坐标 $(x, y, z)$；变换是线性的

三维中的矩阵-向量乘法通过将矩阵的列按输入向量的相应坐标进行缩放，然后将结果相加来工作。坐标 $(x, y, z)$ 作为变换后基向量（即列）的标量乘数，利用了保持加法和标量乘法的线性性质。

适用条件：矩阵是 3x3 变换矩阵。；输入向量的坐标为 $(x, y, z)$。；变换是线性的。

三维中的矩阵-向量乘法通过将矩阵的列按输入向量的相应坐标进行缩放，然后将结果相加来工作。坐标 $(x, y, z)$ 作为变换后基向量（即列）的标量乘数，利用了保持加法和标量乘法的线性性质。

适用条件：矩阵是 3x3 变换矩阵。；输入向量的坐标为 $(x, y, z)$。；变换是线性的。

矩阵-向量乘法被重新构想为：使用输入向量的分量缩放变换后的基向量（即矩阵的列），然后将它们相加。这在矩阵定义的倾斜坐标系中构建了最终位置，而不仅仅是遵循繁琐的算术配方。

适用条件：输入和输出坐标使用固定的标准基。；矩阵表示移动向量的主动线性映射。

矩阵-向量乘法被重新构想为：使用输入向量的分量缩放变换后的基向量（即矩阵的列），然后将它们相加。这在矩阵定义的倾斜坐标系中构建了最终位置，而不仅仅是遵循繁琐的算术配方。

适用条件：输入和输出坐标使用固定的标准基。；矩阵表示移动向量的主动线性映射。

残差向量 $\vec{r} = A\vec{x}^* - \vec{b}$ 正交于列空间 $C(A)$，因为 $A\vec{x}^*$ 是 $\vec{b}$ 到 $C(A)$ 的正交投影。正交于 $C(A)$ 意味着 $\vec{r}$ 位于正交补 $C(A)^\perp$ 中。

适用条件：$A\vec{x}^*$ 是 $\vec{b}$ 到 $C(A)$ 的正交投影；$C(A)^\perp = N(A^T)$（线性代数基本定理）；矩阵乘法对减法满足分配律

残差向量 $\vec{r} = A\vec{x}^* - \vec{b}$ 正交于列空间 $C(A)$，因为 $A\vec{x}^*$ 是 $\vec{b}$ 到 $C(A)$ 的正交投影。正交于 $C(A)$ 意味着 $\vec{r}$ 位于正交补 $C(A)^\perp$ 中。

适用条件：$A\vec{x}^*$ 是 $\vec{b}$ 到 $C(A)$ 的正交投影；$C(A)^\perp = N(A^T)$（线性代数基本定理）；矩阵乘法对减法满足分配律