本文介绍了线性代数中的特征值和特征向量概念，阐述了它们在线性变换中的行为。通过具体例子展示了如何求解特征值和特征向量，并给出了一个矩阵的特征值和特征向量计算过程，强调了这些概念在机器学习、人工智能和深度学习中的重要性。
特征值，特征向量概念
在线性代数中，对于一个给定的线性变换A，他的特征向量v经过这个线性变换的作用之后，得到的新向量仍然与原来的 v v v保持在同一条直线上。但长度或方向也许会改变。即：
A v Av Av = λ v \lambda v λv
其中 λ \lambda λ为标量，即特征向量的长度在该线性变换下缩放的比例，称为其特征值。
A = [ 1 1 4 − 2 ] , v 1 = [ 1 2 ] A = \left[ \begin{array}{cc} 1 & 1 \\ 4 & -2 \end{array} \right],v_{1}=\left[ \begin{array}{cc} 1\\ 2 \end{array} \right] A=[141−2],v1=[12]
A与 v 1 v_{1} v1内积后的A v 1 v_{1} v1与 v 1 v_{1} v1不在一条直线上，所以 v 1 v_{1} v1不是A的特征向量
A v 1 = [ 3 0 ] Av_{1}=\left[ \begin{array}{cc} 3\\ 0 \end{array} \right] Av1=[30]
最低0.47元/天 解锁文章
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
