선형 변환과 행렬 정리 | 행렬을 함수처럼 이해하는 방법

선형대수에서 행렬은 단순한 숫자 배열이 아니다.

행렬은 벡터를 다른 벡터로 바꾸는 변환(transform) 으로 볼 수 있다. 이 관점이 중요한 이유는 딥러닝, 컴퓨터 그래픽스, 추천 시스템처럼 벡터를 계속 변환하는 모델들이 결국 행렬 연산 위에서 동작하기 때문이다.

---

선형 변환이란

선형 변환(linear transformation)은 벡터 공간에서 다른 벡터 공간으로 보내는 함수다.

다만 모든 함수가 선형 변환은 아니다.

선형 변환은 아래 두 조건을 만족해야 한다.

1. 덧셈 보존
2. 상수배 보존

즉:

T(x + y) = T(x) + T(y)
T(ax) = aT(x)

이 성질이 유지되어야 한다.

자료에서도 선형 변환은 “벡터 공간 사이의 함수 중 덧셈과 상수배가 보존되는 변환”이라고 설명된다.

---

왜 “선형”이라는 말을 쓰는가

예를 들어:

T(x) = 3x

는 선형 변환이다.

왜냐하면:

T(x + y) = 3(x + y)
          = 3x + 3y
          = T(x) + T(y)

가 성립하기 때문이다.

반면:

T(x) = 3x + 1

은 선형 변환이 아니다.

상수항 +1 때문에 덧셈 보존이 깨진다.

자료에서도 ax + b 형태는 일반적으로는 선형 함수라고 부르지만, 선형대수에서 말하는 선형 변환은 아니라고 설명된다.

---

행렬은 선형 변환을 표현하는 도구

선형 변환의 핵심은:

행렬로 표현할 수 있다

는 점이다.

예를 들어 2차원 벡터를 3배 확대하는 변환은 아래 행렬로 표현할 수 있다.

[3 0]
[0 3]

이 행렬을 벡터에 곱하면:

(x, y) → (3x, 3y)

즉, 벡터 전체가 3배 확대된다.

자료에서도 “3배 확대 변환은 대각선이 3인 행렬과 동일한 역할을 한다”고 설명된다.

---

행렬 곱은 “변환 적용”이다

행렬과 벡터의 곱은 단순 계산이 아니라:

입력 벡터 → 변환 → 출력 벡터

로 이해하는 편이 맞다.

예를 들어:

A = [2 0]
    [0 2]

이면:

A(1, 3) = (2, 6)

즉, (1, 3) 벡터를 2배 확대하는 변환이다.

---

회전과 대칭도 행렬로 표현된다

행렬은 확대만 하는 것이 아니다.

x축 대칭

[1  0]
[0 -1]

이 행렬은 y값 부호를 뒤집는다.

즉:

(a, b) → (a, -b)

가 된다.

---

회전 변환

2차원 회전도 행렬 하나로 표현된다.

[ cosθ  -sinθ ]
[ sinθ   cosθ ]

즉, 행렬은 단순 숫자표가 아니라:

• 확대
• 축소
• 회전
• 대칭

같은 변환 자체를 표현하는 도구다.

자료에서도 고등학교에서 배운 회전·대칭 이동이 결국 행렬 변환 관점으로 연결된다고 설명된다.

---

딥러닝에서 행렬이 중요한 이유

딥러닝에서는 입력 벡터가 여러 층(layer)을 지나면서 계속 변환된다.

입력 벡터
→ 행렬 곱
→ 활성화 함수
→ 행렬 곱
→ 출력

즉, 신경망은 결국:

벡터를 계속 다른 벡터로 변환하는 과정

이라고 볼 수 있다.

자료에서도 “딥러닝은 행렬 연산을 계속 때려 넣는 구조”라는 흐름으로 설명된다.

---

함수와 행렬을 같은 관점으로 보기

고등학교에서는 보통:

f(x)

형태의 함수만 배운다.

하지만 선형대수에서는:

벡터 → 벡터

형태의 함수까지 확장된다.

그리고 이 변환을 가장 효율적으로 표현하는 도구가 행렬이다.

즉:

행렬 = 벡터 변환 함수

라는 관점으로 이해하는 것이 핵심이다.

---

핵심 흐름

벡터
→ 선형 변환
→ 행렬 표현
→ 행렬 곱
→ 새로운 벡터

---

행렬은 숫자 배열이 아니라, 벡터를 다른 벡터로 바꾸는 선형 변환을 표현하는 도구다.