线性代数中矩阵特征向量和特征值的理解

首先推荐一本线性代数的教材，《线性代数应该这样学》，这本书相较于大部分“从行列式入手”的教材，它选择的是从线性空间的认知开始，逐步地去认识矩阵和行列式。虽然采取的是一种相反的方向，但个人觉得，学完这本书，对一些概念和定义会有自己的理解。

直接转入正题，矩阵的作用，可以将其视为一个转换，这个转换有两个作用：1.旋转，2.伸长或者缩短。

在一个n维线性空间中，一个n阶矩阵的作用可以视作：将一个向量变成另一个向量，通过旋转和伸缩即可完成这个过程。

而一个n维的线性空间的衡量，首先需要一个基，这个基是人为选定的，比如定好哪个方向是第一维，哪个垂直方向是第二维，依次类推。那么矩阵的某一个特征向量的方向，我们可以这样理解，

在这个线性空间中，一个该方向的向量通过该矩阵的变换，得到的新向量的方向和原向量方向平行，特征值的正负表示正向或是反向，特征值的大小表示伸缩的程度。

一个n维矩阵可能有k个特征向量（k<=n），我们可以这样理解，有k个方向的不同向量通过这个矩阵的变换，得到的新向量和原向量的方向平行，方向和伸缩程度由其特征向量所对应的特征值决定。

同时这k个向量是互相垂直的，我们可以用这k个向量作为基，形成一个k维的子空间，这个矩阵的作用范围也就被框住了。 当一个n维向量输入给这个矩阵，得到的新向量一定是在这个k维子空间中，其中n-k维度的值变成0。

由以上的理解，可以把矩阵乘法视作一种变换，而这种变换可以分解成一下过程：

1. 得到矩阵的k个特征向量和相对应的特征值；
2. 将输入向量按照k个特征向量的方向分解成k个子向量，不在k维子空间的部分直接视作0；
3. 将k个子向量按照相对应的特征值做向量与常数乘法，得到k个新的子向量；
4. 将新得到的k个子向量做加法，得到的新向量即为变换后的向量。

以上是我对矩阵特征向量和特征值的一点拙见，没有什么实际价值，当初用传统教材一直不懂矩阵的作用，更不明白特征向量和特征值有什么用，也是通过《线性代数应该这样学》这本书的启发，对矩阵的一点自己的理解。

 

参考：

阿克斯勒杜现昆, 马晶. 线性代数应该这样学 : Linear algebra done right[M]. 人民邮电出版社, 2009.