【线性代数】理解特征值和特征向量

1 通俗解释

  定义:对于任意可逆方阵,存在一个向量,用该矩阵乘以该向量后,向量的大小发生变化而方向不变。也就是说,对于【线性代数】理解特征值和特征向量矩阵【线性代数】理解特征值和特征向量,存在一个非【线性代数】理解特征值和特征向量【线性代数】理解特征值和特征向量维向量【线性代数】理解特征值和特征向量使下式成立:
【线性代数】理解特征值和特征向量
其中,比例系数【线性代数】理解特征值和特征向量成为矩阵【线性代数】理解特征值和特征向量的特征值,向量【线性代数】理解特征值和特征向量成为该特征值对应的特征向量。
对于一个可逆方阵可以存在一组特征值与特征向量。将上面的公式简化之后为:
【线性代数】理解特征值和特征向量
其中【线性代数】理解特征值和特征向量是矩阵【线性代数】理解特征值和特征向量值特征向量【线性代数】理解特征值和特征向量是特征值。特征值是一个数字,而向量的【线性代数】理解特征值和特征向量数乘本质上是向量的缩放。如【线性代数】理解特征值和特征向量【线性代数】理解特征值和特征向量, 则【线性代数】理解特征值和特征向量。变换后与原向量相比向量【线性代数】理解特征值和特征向量的大小变为原来的两倍而方向没有发生变化。再由于上面的二式左右相等,因此矩阵乘以一个向量的效果是让该向量进行了一个方向不变的伸缩。参考文献1
所以特征值和特征向量的通俗解释是:

  1. 矩阵是一个向量的变换方式。
  2. 特征向量就是该向量经过某一矩阵变换之后其方向不变的向量。
  3. 特征值【线性代数】理解特征值和特征向量是一个伸缩倍数。

这里再补充一下特征值和特征向量的性质
特征值【线性代数】理解特征值和特征向量【线性代数】理解特征值和特征向量阶矩阵【线性代数】理解特征值和特征向量【线性代数】理解特征值和特征向量【线性代数】理解特征值和特征向量个特征值则有:
【线性代数】理解特征值和特征向量
特征向量:【线性代数】理解特征值和特征向量阶矩阵【线性代数】理解特征值和特征向量的互不相等的特征值【线性代数】理解特征值和特征向量对应的特征向量【线性代数】理解特征值和特征向量线性无关。

2 矩阵从运动的角度理解

  如果阅读过理解矩阵(一)(二)(三)系列的文章,可以从变换的角度理解特征值与特征向量。以【线性代数】理解特征值和特征向量为例介绍矩阵【线性代数】理解特征值和特征向量的含义 :

  • 从变换的角度来说,矩阵【线性代数】理解特征值和特征向量可以理解为对向量【线性代数】理解特征值和特征向量做变换得到了【线性代数】理解特征值和特征向量
  • 从坐标系的角度来说,【线性代数】理解特征值和特征向量可以理解成是一个坐标系(常用的坐标是笛卡尔坐标系,即【线性代数】理解特征值和特征向量),向量【线性代数】理解特征值和特征向量就是在【线性代数】理解特征值和特征向量这个坐标系下的坐标,【线性代数】理解特征值和特征向量对应到【线性代数】理解特征值和特征向量坐标系下的坐标是向量【线性代数】理解特征值和特征向量

  那特征值和特征向量具体是什么含义呢?
  我们假设矩阵【线性代数】理解特征值和特征向量的某个特征值为【线性代数】理解特征值和特征向量, 对应的特征向量是【线性代数】理解特征值和特征向量。根据定义和上面对矩阵的理解可以知道,【线性代数】理解特征值和特征向量是以【线性代数】理解特征值和特征向量为坐标系的坐标向量,将其变换到以【线性代数】理解特征值和特征向量为坐标系后得到的坐标向量 与 它原来的坐标向量 永远存在一个 【线性代数】理解特征值和特征向量倍的伸缩关系。
  为了方便理解举一个简单的例子,假如矩阵【线性代数】理解特征值和特征向量如下,可以看到它的特征值有【线性代数】理解特征值和特征向量个,分别是【线性代数】理解特征值和特征向量,分别对应【线性代数】理解特征值和特征向量个特殊的特征向量,即【线性代数】理解特征值和特征向量
【线性代数】理解特征值和特征向量
  所以矩阵【线性代数】理解特征值和特征向量左乘任意的一个向量【线性代数】理解特征值和特征向量其实都可以理解成是把向量【线性代数】理解特征值和特征向量沿着这【线性代数】理解特征值和特征向量个特征向量的方向进行伸缩,伸缩比例就是对应的特征值。可以看到这【线性代数】理解特征值和特征向量个特征值差别是很大的,最小的只有【线性代数】理解特征值和特征向量,最大的特征值为【线性代数】理解特征值和特征向量
【线性代数】理解特征值和特征向量

3 特征值和特征向量的意义

  意义就在于如果我们知道了特征值的大小,有时为了减少计算了,我们可以只保留特征值较大的,比如上面的图片中,我们可以看到变换后的向量【线性代数】理解特征值和特征向量轴适合原来一样的,而【线性代数】理解特征值和特征向量轴方向拉伸了【线性代数】理解特征值和特征向量倍,所以通常为了实现压缩算法,我们可以只保留【线性代数】理解特征值和特征向量轴方向的变换即可。 对应到高维情况也是类似的,多维矩阵会把向量沿着多个方向拉伸,有的方向可能拉伸幅度很小,而有的很大,我们只需要保留幅度大的即可达到压缩的目的。【参考文献3

4 从计算的角度理解

  举个例子:矩阵【线性代数】理解特征值和特征向量的特征值为【线性代数】理解特征值和特征向量,特征向量为【线性代数】理解特征值和特征向量
【线性代数】理解特征值和特征向量
假设存在向量【线性代数】理解特征值和特征向量。下面采用另一种方法计算:首先将【线性代数】理解特征值和特征向量表示成特征向量的线性组合
【线性代数】理解特征值和特征向量
然后,将特征值和对应的系数相乘,得到:
【线性代数】理解特征值和特征向量
显然【线性代数】理解特征值和特征向量(好好领悟理解)
  到这里为止,我们再次总结一下前面的结论:

  • 矩阵的乘法可以理解为对应向量的坐标系的变换(从坐标系角度理解)
  • 从特征向量的性质看,矩阵对应的一组特征向量是线性无关的,因此可以作为一组

  重点来了,从上面的计算我们可以看出,矩阵左乘一个向量的结果等价于矩阵的特征向量的线性组合的伸缩对对应向量的表示(好好理解下这句话)。也就是说对应向量在以矩阵特征向量为基的坐标系下进行了伸缩。也可以理解为,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。【参考文献5】的评论可以理解特征值和特征向量是矩阵本身的属性。

5 理解其它结论

5.1 对角化分解

参考文献【5】理解的不是很透彻,理解好了再来补充

6 参考文献

[1]特征值和特征向量的通俗解释
[2]Python计算特征值与特征向量案例
[3]特征值和特征向量到底是个啥?能做什么用?
[4]如何理解矩阵特征值和特征向量?
[5]特征值和特征向量的理解 浅显易懂 肯定有收获

文章出处登录后可见!

已经登录?立即刷新

共计人评分,平均

到目前为止还没有投票!成为第一位评论此文章。

(0)
社会演员多的头像社会演员多普通用户
上一篇 2022年5月27日
下一篇 2022年5月27日

相关推荐