原本只想着解释一下指数和幂函数，结果发现在将实数空间R^n展开之后格外的适合线性代数，

实数空间R^n=R*R*R*R*R*R*R*R*R*R*R……，现在解释一下n，n其实可以分成两部分，一部分就是确确实实是张成空间的一个维度，是基石，另一部分是前面的组合中随机选出来的一个，

如果化简就可以叫做矩阵的秩，

当然现在不化简。那么就可以通过凯莱矩阵的方式将R^n=R*R*R*R*R*R*R*R*R*R*R……转换成2维度的矩阵，这里是凯莱矩阵，但之后的那种是行决策和列决策的转换，虽然看起来差不多但是原理不一样，一个是记录途径，一个是执行途径只剩下结果的那种。而且凯莱矩阵的展开程度是实实在在会展开到2维，而行决策和列决策的转换是一种伪2维，真三维的形式。行决策和列决策构成的矩阵更接近黎曼矩阵这种嵌入式的矩阵，而凯莱矩阵更类似希尔伯特空间。

接下来解释一下：

这个行向量就出现了，这里的行向量代表着一个决策树的一个途径，列向量也是一个决策树的一个途径，那么列向量和行向量的本质就是一样的，所以转置矩阵的特性就很清楚了，列向量和行向量也可以看作树的子树，左子树，右子树，这样就有了两种方式，行决策和列决策，突然好类似矩阵乘法A*B，A被叫做行排列矩阵，B被叫做列组合矩阵，所以R^n=R*R*R*R*R*R*R*R*R*R*R……就有了两种出来方式，一个是从左到右的方式，一个是从右到左。这样就是R^n=R*R*R*R*R*R*R*R*R*R*R……转换成2维度的矩阵的思路。将一个非常复杂的立体空间展开到了2维空间。