Eine Matrix, deren Einträge paarweise Skalarprodukte einer Vektorsammlung sind: G_{ij} = ⟨v_i, v_j⟩. In Kernel‑Methoden ist die Gram‑Matrix die Matrix der Kernelbewertungen k(x_i,x_j).

Prinzip

Kodiert paarweise geometrische Beziehungen mittels des Skalarprodukts; mathematisch ist sie symmetrisch und positiv semidefinit, ihr Rang entspricht der Dimension des Spannraums der Vektoren.

Demonstration

Für v_1,...,v_m in R^n bildet man G ∈ R^{m×m} mit G_{ij} = v_i^T v_j. In ML ist K_{ij}=k(x_i,x_j) eine Gram‑Matrix im Merkmalraum.

Fehlanwendung

Eine Gram‑Matrix ohne Zentrierung mit einer Kovarianzmatrix verwechseln, sie ohne Regularisierung invertieren wenn sie singulär ist, oder numerische Instabilität bei nahezu kollinearen Daten ignorieren.

Konsequenz

Positive Semidefinitheit erlaubt Cholesky‑ und Eigenzerlegungen sowie Kernel‑PCA; der Rang zeigt Redundanz und bestimmt lineare Abhängigkeiten zwischen Vektoren oder Merkmalen.

Umkehrung

Eine Distanzmatrix erfasst paarweise Distanzen statt Skalarprodukte; Distanzen lassen sich nur nach Wahl eines Ursprungs/zentrierung in eine Gram‑Matrix überführen.

Abgrenzung

Erfordert ein Skalarprodukt oder reproduzierenden Kernel; in unendlichdimensionalen Merkmalräumen kann die Gram‑Matrix implizit definiert, schlecht konditioniert oder unendlich-rangig sein und Regularisierung benötigen.

Semantische Spannung

Wird oft mit der Kovarianzmatrix verwechselt: beide sind symmetrisch PSD, aber Kovarianz ist ein Erwartungswert zentrierter Außenprodukte, während die Gram‑Matrix vom Zentrieren und Skalieren abhängt.

Synthese

Die Gram‑Matrix ist die symmetrische PSD‑Matrix der paarweisen Skalarprodukte, die die lineare Geometrie einer Vektormenge oder kernel‑bewerteter Daten kodiert und Rang sowie Orthogonalitätsstruktur bestimmt.