特征值分解与奇异值分解原理与计算

（一）特征值

如果一个非零向量v是方阵A的特征向量，将一定可以表示成下面形式，而λ是特征向量v对应的特征值：特征值分解是将一个矩阵分解成下面的形式：

其中Q是这个矩阵甲的特征向量组成的矩阵，Σ是一个对角阵，每一个对角线上的元素就是一个特征值。一个矩阵的一组特征向量是一组正交向量。

【练习题】求解矩阵一的特征值与特征向量。

方阵的特征值表示什么含义呢，我们通过一组向量图表示。初始状态下，I（红色）和Ĵ（蓝色）表示二维坐标平面下的两个单位向量，V是空间上任意一条向量（绿色）

用方阵甲左乘向量v之后，得到一个新的向量AV（紫色）

接下来，在二维空间上，手动移动向量V，移动到某一时刻，向量V（绿色）与向量AV（紫色）发生了重合，且平均的向量摸大于v的模（下图左），再继续移动v，又会发现在v与平均的另一个重合时刻，但此时|ΔV| <| v |（下图右）

这两个时刻，V与平均发生了重合，即两个向量方向一致，大小差了一个拉姆达倍，也就是上面所提到的

这里的拉姆达就是特征值（两个特征值，一个大于1，一个小于1），这两个时刻对应的v向量，就是矩阵甲的特征向量

特征值存在以下几个性质：

设n阶矩阵A =（aij）的特征值为λ1，λ2，...λn
（1）λ1+λ2+ ... +λn= a11 + a22 + ... + ann，trail（A）=特征值的和。
（ 2）λ1λ2...λn= | A |，特征值的乘积= A的行列式

若λ是方阵A的特征值
（1）λ^ 2是A ^ 2的特征值
（2）A可逆时，λ^ （-1）是甲^（ - 1）的特征值
（3）Kλ是kA的的特征值，k∈R。

设方阵A的m个特征值λ1，λ2，...，λm，与之对应的特征向量是p1，p2，...，pm，若λ1，λ2，...，λm各不相等，则p1，p2，...，pm线性无关。（不同特征值对应的特征向量线性无关），实对称矩阵不同特征值的特征向量相互正交。

（二）特征值分解

【注】因为矩阵中号是对称的，所以这个变换是一个对X，Y轴的方向一个拉伸变换

当中号非对称时，在平面上对一个轴进行的拉伸变换（蓝色箭头所示）。如果要描述好一个变换男，那就描述好这个变换主要的变化方向。

分解得到的Σ矩阵是一个对角阵，若Σ里面的特征值是由大到小排列的，这些特征值所对应的特征向量就是描述这个矩阵变化方向（从主要变化到次要变化排列）

当矩阵是高维的情况下，那么这个矩阵甲就是高维空间下的一个线性变换，这个变换也同样有很多的变换方向，通过特征值分解得到的前Ñ个特征向量，对应了矩阵最主要的ñ个变化方向。我们利用这前ñ个变化方向，就可以近似这个矩阵（变换）。

也就是说：提取这个矩阵最重要的特征。

特征值分解的局限：变换的矩阵必须是方阵！

（三）奇异值与奇异值分解

在现实的世界中，遇到的大部分矩阵都不是方阵，比如说有Ñ个学生，每个学生有中号科成绩;有Ñ个用户，每个用户购买了中号件商品，这样形成的一个N * M的长方形矩阵。

怎样描述这样普通的矩阵的重要特征？

可以使用奇异值分解来解决

A 是一个N * M的矩阵，那么得到的U是一个N * N的方阵（里面的向量是正交的，称为左奇异向量），Σ是一个N * M的矩阵（除了对角线的元素都是0，对角线上的元素称为奇异值），VT是一个N * N的矩阵（里面的向量也是正交的，称为右奇异向量）

右奇异向量求解：矩阵甲左乘转置AT，将会得到一个方阵（M * M），我们用这个方阵求特征值和特征向量，得到的六就是右奇异向量

根据上面得到的特征值λ，计算奇异值σ，以及左奇异向量ü。

【练习题】求解A的奇异值

可以使用的Python编程实现，numpy的包中存有直接计算奇异值的方法np.linalg.svd（矩阵），实例如下：

奇异值σ与特征值类似，矩阵Σ中也是从大到小排列，而且σ的减少特别的快，在很多情况下，前10％甚至1％的奇异值的和就占了全部的奇异值之和的99％以上了。也就是说，我们也可以用前 - [R大的奇异值来近似描述矩阵，这里定义一下部分奇异值分解，这里ř是一个远小于M，N的数。

。右边的三个矩阵相乘的结果将会是一个接近于甲的矩阵而这三个矩阵的“面积”之和要远小于原始的矩阵A，可以压缩空间来表示原矩阵A，只存储三个矩阵U，Σ，V即可。