特征值和特征向量的几何意义

转载于：https://blog.csdn.net/fuming2021118535/article/details/51339881

在刚开始学的特征值和特征向量的时候只是知道了定义和式子，并没有理解其内在的含义和应用，这段时间整理了相关的内容，跟大家分享一下；

首先我们先把特征值和特征向量的定义复习一下：

定义：设A是n阶矩阵，如果数λ和n维非零向量x使关系式

成立，那么，这样的数λ称为矩阵A的特征值，非零向量x称为A的对应于特征值λ的特征向量，（1）式还可以写为：

如果想求出矩阵对应的特征值和特征向量就是求式（2）的解了。

那么，问题来了，这个式子要怎么理解呢？

首先得先弄清矩阵的概念:一个矩阵代表的是一个线性变换规则，而一个矩阵的乘法运行代表的是一个变换;

比如有一个矩阵A：

一个列向量为X为：

一个矩阵的乘法为：

向量X通过矩阵A这个变化规则就可以变换为向量Y了

在几何上的变换就类似于这样：

知道了这个就可以从几何上理解特征值和特征向量是什么意思了，由

可知:

所以，确定了特征值之后，向量x的变换为：

引用《线性代数的几何意义》的描述：“矩阵乘法对应了一个变换，是把任意一个向量变成另一个方向或长度都大多不同的新向量。在这个变换的过程中，原向量主要发生旋转、伸缩的变化。如果矩阵对某一个向量或某些向量只发生伸缩变换，不对这些向量产生旋转的效果，那么这些向量就称为这个矩阵的特征向量，伸缩的比例就是特征值。”

那么这样定义的特征值和特征向量有什么实际用途呢?在这里我举个数据挖掘算法中重要的一个算法：PCA（主成分分析）来给大家直观的感受一下。

首先，理解一下信息量这个概念

看几张图：

如果我们单独看某一个维度的话，比如看x1这个维度

可以看到将点投影到x1这个维度上看的话，图1的数据离散性最高，图3较低，图2数据离散性是最低的。数据离散性越大，代表数据在所投影的维度上具有越高的区分度，这个区分度就是信息量。如果我们用方差来形容数据的离散性的话，就是数据方差越大，表示数据的区分度越高，也就是蕴含的信息量是越大的。

基于这个知识，如果我们想对数据进行降维的话，比如图1的两个维度的数据降成一维，我们可以选择保留X1这个维度的数据，因为在这个维度上蕴含的信息量更多。

同理，图2就可以保留x2这个维度的数据。但是，问题来了，图3应该保留哪个维度的数据呢？答案是保留哪个维度都不好，都会丢失较大的信息量。但是，如果我们把图3的坐标轴旋转一下

比较容易看出，图3在新的坐标轴下就能进行降维了。所以选取正确的坐标轴，然后根据各个维度上的数据方差大小，决定保留哪些维度的数据，这样的做法就是主成分分析的核心思想。

选取正确的坐标轴的过程中，我们需要一个矩阵变换，就类似于这样：

也就是：

其实，经过数学上的推导的，我们就可以知道，特征值对应的特征向量就是理想中想取得正确的坐标轴，而特征值就等于数据在旋转之后的坐标上对应维度上的方差。

也就是说，直接求出矩阵A的特征向量得出对应的特征向量。我们就能找到旋转后正确的坐标轴。这个就是特征值和特征向量的一个实际应用：“得出使数据在各个维度区分度达到最大的坐标轴。”

所以，在数据挖掘中，就会直接用特征值来描述对应特征向量方向上包含的信息量，而某一特征值除以所有特征值的和的值就为：该特征向量的方差贡献率（方差贡献率代表了该维度下蕴含的信息量的比例）。

通常经过特征向量变换下的数据被称为变量的主成分，当前m个主成分累计的方差贡献率达到一个较高的百分数（如85%以上）的话，就保留着这m个主成分的数据。实现了对数据进行降维的目的。整个主成分分析的算法原理也就是这个。

特征值和特征向量的几何意义相关推荐

机器学习中的数学基础：(1)实际应用中矩阵特征值与特征向量的几何意义
关于特征值.特征向量的讲解有很多的教程,对于这些枯燥的数学基础怎么运用到自己的实际计算机视觉实验中,是一项很重要的任务.算法的底层其实就是数学公式的各种结合与推导,有时间不是我们不能很好的去理解这些算 ...
也谈特征值和特征向量的几何意义
在当前的大数据分析时代,数据降维是一个重要的分析技术.而谈到数据降维,就离不开一门最为抽象难懂的数学学科分支--线性代数.有人可能会问:一堆向量和矩阵符号的线性代数到底有鸟用?简单地不科学地说,线性代 ...
特征值和特征向量的几何意义、计算及其性质（转载）
原文地址:http://www.cnblogs.com/chaosimple/p/3179695.html 一.特征值和特征向量的几何意义特征值和特征向量确实有很明确的几何意义,矩阵(既然讨论特征向 ...
机器学习中的数学基础：（1.1）矩阵特征值和特征向量的几何意义
给定一个二维矩阵先求出该矩阵的特征值与特征向量,特征值分别获是:, 对应的特征向量为: (列向量)PS:此处的U是正交矩阵,根据正交矩阵的性质,可以有如果从定义来理解特征向量的化,某一物体经过该矩 ...
线性代数【21】特征值和特征向量的几何意义
前言:线性变换最关键的是你要将矩阵看成是线性变换, 1 引子: 讨论一个二维空间里的一个线性变换,将基向量[^i]变换到(3,0),[^j]向量变换到(1,2). 如果用矩阵表述,就是如下的两列组成的 ...
特征值与特征向量几何意义
1.特征值和特征向量的几何意义是什么? 特征向量的几何意义: 特征向量确实有很明确的几何意义,矩阵(既然讨论特征向量的问题,当然是方阵,这里不讨论广义特征向量的概念,就是一般的特征向量)乘以一个向量的 ...
征值和特征向量的几何意义、计算及其性质
征值和特征向量的几何意义.计算及其性质一.特征值和特征向量的几何意义特征值和特征向量确实有很明确的几何意义,矩阵(既然讨论特征向量的问题,当然是方阵,这里不讨论广义特征向量的概念,就是一般的特征向 ...
花了10分钟，终于弄懂了特征值和特征向量到底有什么意义
转自 http://k.sina.com.cn/article_6367168142_17b83468e001005yrv.html 有振动就有特征值今天,超模君看到了一句神翻译: 吓得超模君马上 ...
特征值和特征向量的几何和物理意义
我们知道,矩阵乘法对应了一个变换,是把任意一个向量变成另一个方向或长度都大多不同的新向量.在这个变换的过程中,原向量主要发生旋转.伸缩的变化.如果矩阵对某一个向量或某些向量只发生伸缩变换,不对这些向量 ...

特征值和特征向量的几何意义

特征值和特征向量的几何意义相关推荐

最新文章

热门文章