如何理解特征值和特征向量

学完线性代数的同学,可能会对线性代数的很多概念有所疑惑.

这个东西有什么用?那个玩意定义出来有什么意义?

本文将探讨线性代数中及其重要的两个概念:特征值与特征向量.

(PS:下文中的矩阵A均认为是方阵)

从一般的角度看,这个映射无非就是矩阵乘向量,说得具体一点,就是n次的向量点积计算。(矩阵的一行乘上向量,并对结果向量的所有元素求和,就是一次点积)

错!实际上,这个映射本质是一个缩放操作.

举一个简单的例子,矩阵A=(4231),它的特征值分别是2和1,特征向量是(11)(23)

设向量x=(12),那么显然结果y=Ax=(01)

我们使用另一种方法计算,首先我们将x表示成特征向量(11)(23)的线性组合。即

x=(12)=1(11)+1(23)

然后,我们将特征值和对应的系数相乘,得到:

y=12(11)+11(23)=2(11)+1(23)

显然,如果你继续计算下去,你也会得到y=(01)

特征值和特征向量的意义就在于此!矩阵所充当的映射,实际上就是对特征向量的缩放,每个特征向量的缩放程度就是特征值。

因此,我们需要将向量x表示成特征向量的线性组合(相当于以特征向量为基),得到相应的特征向量的权重。然后,每个权重与特征值相乘,就是这个映射最本质的缩放操作。

基于这样的理解,我们可以很简单地解释很多结论.

对角化分解

对角化分解实际上就是我们解释特征值含义的过程。

A=PΛP1,其中P是由特征向量组成的矩阵,Λ是由特征值组成的对角矩阵.

那么y=Ax=PΛP1x,我们就可以解释了.

首先,P1x是将x转变成用特征向量表示,上文$\vec{x}=\left( 12 \right)=-1\left( 11 \right) + 1 \left( 23 \right)\left( 12 \right)\left( 11 \right)\Lambda P^{-1} \vec{x}\left( 21 \right)\vec{y}=P\Lambda P^{-1} \vec{x}\left( 21 \right)\left( 01 \right)$。

逆矩阵的特征值分别是原矩阵特征值的倒数

是因为原矩阵放大了2倍,逆矩阵就要相应地缩小到原本的12.

当然,特征向量要保持对应,因此这也解释了为什么逆矩阵的特征向量和原矩阵一样。

特征值为0,意味着不可逆

参考第2点,0没有倒数.

通过解Ax=λx来寻找特征值

显然,在这里λ是特征值,x是特征向量。

x变成以A的特征向量为基来表示的话,那么权重肯定只有1个1,其他都为0,那个1对应的特征向量当然是x本身.

这个时候进行缩放,那么只有x的权重被缩放了,其他特征向量的权重都是0,0乘任何数为0.

那么,Ax的结果就相当于λx,因为λx就是x作了相应的缩放,缩放因子就是特征值λ.

参考

如何理解特征值和特征向量

------ 本文结束------
坚持原创技术分享,您的支持将鼓励我继续创作!

欢迎关注我的其它发布渠道

Related Issues not found

Please contact @zdaiot to initialize the comment