搞懂特征值与特征向量
文章目录
- 简述
- 定义
- 例子加深理解
- 阐述
简述
- 首先明确特征值和特征向量是对谁而言的呢, 是对一个变换矩阵而言的, 特征值表示变换矩阵能起到多大作用, 特征值越大代表对应的变化程度越剧烈, 那么具体是变化谁呢? 就是变换的特征向量.
- 也就是说, 特征值是用来衡量变换矩阵对特征向量的变换程度
定义
AAA为n∗nn*nn∗n的矩阵,xxx为非零向量,若存在数λ使Ax=λxAx=λxAx=λx有非平凡解xxx,则称λλλ为AAA的特征值,xxx称为对应于λλλ的特征向量
举个例子:
设:
可以看到A对特征向量的作用是很简单的,它只是对特征向量进行了拉伸,而特征值表达了它拉伸的方向和大小
用数学式子表达, 就是这样的:
Ax=λxAx = \lambda xAx=λx
变换一下位置, 即:
(A−λI)x=0(A-\lambda I)x=0(A−λI)x=0
假定这里x不是空向量,等式只能在(A−λI)(A-\lambda I)(A−λI)不可逆的时候才能被定义。如果一个方阵是不可逆的,这意味着它的行列式必须等于零。因此,要找到A的特征向量,我们只需要解决以下公式:
Det(A−λI)=0Det(A-\lambda I)=0Det(A−λI)=0
例子加深理解
假设存在一个变换矩阵A:
根据公式(A−λI)x=0(A-\lambda I)x=0(A−λI)x=0, 我们知道:
可求得:
现在我们已经确定了两个特征值λ1和λ2。需要注意的是大小为NxN的方阵总是具有N个特征值,每一个对应一个特征向量。特征值用来求特征向量计算特征向量
根据公式Ax=λxAx = \lambda xAx=λx, 我们知道:
由于这仅仅是方程组的矩阵符号,我们可以写出它的等价形式:
并用x12x_{12}x12的一个函数解决了第一个等式:
因为特征向量仅仅代表一个方向(相应特征值表示幅度),特征向量的所有标量倍数是平行于该特征向量的向量,因此它们是等效的(如果我们标准化向量,它们将是相等的)。因此,进一步求解上面的方程组,我们可以自由地选择x11x_{11}x11或x12x_{12}x12的真实值,并用等式来确定另一个。
对于这个例子,我们随意地选择x12x_{12}x12 = 1,使得x11x_{11}x11= -1。因此,对应于特征值λ值为-1的特征向量是
- 计算第二个特征向量类似于第一特征向量。我们现在将λ2=4λ_2= 4λ2=4代入等式Ax=λxAx = \lambda xAx=λx,得到
用x21x_{21}x21的函数式解决第一个等式得到:
然后,我们随意地选择x21x_{21}x21 = 2,并发现x22x_{22}x22= 3。因此,对应于特征值λ2λ_2λ2= 4的特征向量是:
至此变换矩阵A的特征值和特征向量就求解结束了
阐述
- 假如有个高维度的变换矩阵A, 我们不想直接使用它, 而是想用另外的方式保存它, 那么我们就可以选择它的特征向量和特征值, 我们就能复原出它对应的变换来
- 我们还知道特征值的大小对应的变换的程度, 我们就可以丢弃小的特征值对应的特征向量, 保留大的, 这不就是降维了吗?
搞懂特征值与特征向量相关推荐
- 十分钟搞定特征值和特征向量
如果把矩阵看作是运动,那么特征值就是运动的速度,特征向量就是运动的方向 https://mp.weixin.qq.com/s/mZ4AeCcoU0LhWRWfa9_kvw
- 一文通俗搞懂线性无关特征向量个数≤特征值重数
线代有个很难理解的知识点,即同一特征值的线性无关特征向量个数要小于等于特征值重数. 这个结论是怎么来的呢?本文用最朴素的证明来帮助大家弄懂这个知识点(结论推导所用的都是基础的线代知识,只是有些数学式子 ...
- 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 ...
- 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 ...
- 线性代数:04 特征值与特征向量 -- 矩阵的相似对角化
本讲义是自己上课所用幻灯片,里面没有详细的推导过程(笔者板书推导)只以大纲的方式来展示课上的内容,以方便大家下来复习. 本章主要介绍特征值与特征向量的知识,前一章我们介绍了线性变换可以把一个向量映射到 ...
- 线性代数:04 特征值与特征向量 -- 特征值与特征向量
本讲义是自己上课所用幻灯片,里面没有详细的推导过程(笔者板书推导)只以大纲的方式来展示课上的内容,以方便大家下来复习. 本章主要介绍特征值与特征向量的知识,前一章我们介绍了线性变换可以把一个向量映射到 ...
- layer output 激活函数_一文彻底搞懂BP算法:原理推导+数据演示+项目实战(下篇)...
在"一文彻底搞懂BP算法:原理推导+数据演示+项目实战(上篇)"中我们详细介绍了BP算法的原理和推导过程,并且用实际的数据进行了计算演练.在下篇中,我们将自己实现BP算法(不使用第 ...
- 让机器搞懂100万种隐含语义 腾讯Peacock模型全揭秘
让机器搞懂100万种隐含语义 腾讯Peacock模型全揭秘 腾讯模型 36大数据 · 2015-02-28 17:21 Peacock通过并行计算对10亿x1亿级别的大规模矩阵进行分解,从海量样本数据 ...
- 通俗易懂地搞懂决策树(Decision Tree)那些事儿
一.决策树是什么? "决策树是一颗好树,是一颗可以帮我们做决策的树." 决策树的结构:树形结构,节点表示判断条件(分为根节点和中间节点),分支代表判断结果,叶子代表分类结果. 二. ...
- 线性代数拾遗(六):特征值与特征向量
线性代数拾遗(一):线性方程组.向量方程和矩阵方程 线性代数拾遗(二):线性方程组的解集及其几何意义 线性代数拾遗(三):线性变换以及矩阵的意义 线性代数拾遗(四):线性方程组的应用 线性代数拾 ...
最新文章
- 解决IDEA中导入新的maven依赖后Language Level自动重置问题
- 如何自定义制表符到空格的转换因子?
- Java管理Cookie增删改查操作
- .NET混淆器 Dotfuscator使用教程六:加强保护之添加Checks
- 74. Search a 2D Matrix
- sid更新 续订sas软件_顶级统计软件sas9.4 64位sid 有效期至2017年6月底
- SpringColoud学习笔记007---杂七杂八001--@Resource与@Autowired注解的区别
- 介绍计算机的英文文章,计算机方面的英语资料,介绍一些计算机的英语短文,有兴趣的可以看...
- Tomcat介绍和MyEclipse搭建DRP系统
- 第二次打卡 数据处理
- 微信小程序——计算从今天到某天间隔多少天
- 读书笔记 - 说话之道 - 2
- 计算机管理为什么不能扩展卷,Win10 C盘不能扩展卷怎么解决?
- 进入Java世界的第一个程序Hello world
- 企业邮箱哪个最好用?企业邮箱域名怎么注册? 企业邮箱哪个安全?
- USYD悉尼大学DATA 2002 【R语言学习1】【介绍R】Introduction to R「虽迟但到」
- 4位共阴极数码管的动态扫描电路VHDL设计
- Java面试题目汇总/英文Java面试题(核心知识)
- mars3d中时间的转换
- 【报告分享】小红书·新消费浪潮下的决策价值之地-小红书(附下载)
热门文章
- 计算机专业自主招生有哪些学校,自主招生的学校类型有哪些
- fxp连接失败_flashfxp连接提示连接失败 (10061: 连接被拒)与列表错误
- 多彩泡泡屏保特效(JAVA版)
- 你小子代码写成这样,老夫也无可奈何
- 5.学城项目 支付宝支付
- html5 spice 虚拟桌面,开源桌面虚拟化spice体验
- QIUI囚爱男用APP远程贞操锁2.0 破解不完全指南(附破解工具)
- 硬盘检测工具MHDD图文教程
- IntelliJ IDEA 破解 到2100年到期
- 【Windows编程】Windows Socket API介绍