浅析特征值与特征向量

最近在学习算法常常遇到特征值和特征向量的问题，一直都一知半解没有领悟到本质。因此特意查阅了相关资料，自己的理解写一篇小结。

1. 矩阵乘法的本质

首先，我们来看一个线性方程式。为了更简洁的表示，我们常常使用矩阵乘法。

[egin{cases} 2x+y=m \ 3x+2y=n end{cases} -> left[ egin{matrix} 2 & 1\ 3 & 2end{matrix} ight]left[ egin{matrix} x\ yend{matrix} ight]=left[ egin{matrix} m\ nend{matrix} ight] ]

线性方程式将x,y变化到m,n经过一个线性变换。同理，向量[x,y]与一个矩阵的乘积,得到向量[m,n]，其实就相当于将这个向量[x,y]进行了线性变换。变换矩阵为：

[left[ egin{matrix} 2 & 1\ 3 & 2end{matrix} ight] ]

因此，一个矩阵其实就是一个线性变换。

2.矩阵乘法的几何意义

为了更加直观的理解矩阵乘法（线性变换）的几何意义，我们看另一个变换矩阵A：

[A=left[ egin{matrix} 2 & 0\ 0 & 0.5end{matrix} ight] ]

考虑下面的图像，绿色正方形说明施加到三个向量上的线性变换A。
可以看出在这种情况下变换仅仅是水平方向乘以因子2和垂直方向乘以因子0.5。同时，具体的几何表现是向量进行了旋转或拉伸。

其中，我们可以看到三个向量中的红色向量在线性变换时其方向保持不变，仅在该方向上进行了伸缩。这些向量就是线性变换的特征向量(描述这个矩阵变化方向)，在特征向量的方向伸缩的值即为特征值(描述在这个方向上变化的大小)。
这些特征向量和特征值可以唯一地定义方形矩阵A。

3.特征向量和特征值的定义

教科书里面是这样定义的，A是n阶矩阵，如果数(lambda)和n维非零列向量x使关系式：

[Ax = lambda x ]

成立，那么这样的数(lambda)称为矩阵A的特征值，非零向量x称为A对应于特征值(lambda)的特征向量。
上式也可写成

[(A- lambda E) x =0 ]

该齐次线性方程组有非零解的充分必要条件是系数行列式

[|A- lambda E| =0 ]

左边(|A- lambda E|)为(lambda)的特征多项式。该式为矩阵A的特征方程，特征方程的解即为A的特征值。n阶矩阵A在复数范围内有n个特征值。

例如，计算矩阵

[left[ egin{matrix} 3 & -1\ -1 & 3end{matrix} ight] ]

的特征值和特征向量。
解： A的特征多项式为

[|A- lambda E| = left| egin{matrix} 3-lambda & -1\ -1 & 3-lambdaend{matrix} ight| =(3-lambda)^2 -1=(4-lambda)(2-lambda)=0 ]

所以A的特征值为：(lambda_1)=2, (lambda_2)=4

当(lambda_1)=2时，对应的特征向量应满足

[left( egin{matrix} 3-2 & -1\ -1 & 3-2end{matrix} ight)left( egin{matrix} x_1\ x_2end{matrix} ight)=left( egin{matrix} 0\ 0end{matrix} ight) ]

解得(x_1=x_2),所以特征向量可取为

[p_1=left( egin{matrix} 1\ 1end{matrix} ight) ]

当(lambda_1)=4时，对应的特征向量应满足

[left( egin{matrix} 3-4 & -1\ -1 & 3-4end{matrix} ight)left( egin{matrix} x_1\ x_2end{matrix} ight)=left( egin{matrix} 0\ 0end{matrix} ight) ]

解得(x_1=- x_2), 所以特征向量可取为

[p_1=left( egin{matrix} -1\ 1end{matrix} ight) ]

4.特征向量和特征值的性质

对于常用的性质做以下总结：

1. 求特征值的矩阵A必须为方阵
2. n阶方阵A 有n个特征值
3. 若(p_i)是矩阵A对应于特征值(lambda_i)的特征向量，则特征向量的(kp_i)也是对应于特征值(lambda_i)的特征向量
4. 一个方阵的一组特征向量是一组正交向量

5.特征向量和特征值的应用

我们从前面了解到一个矩阵其实就是一个线性变换。特征值所对应的特征向量就是描述这个矩阵变化方向，我们通过特征值分解得到的前N个特征向量，就对应了这个矩阵最主要的N个变化方向。可以近似这个矩阵（变换）。也就提取这个矩阵最重要的特征。