特征值与特征向量的意义

上半年研究生复试面试问的印象最深刻的题目就是：请根据自己的理解解释一下特征值与特征向量。

那种无从下嘴的感觉至今记忆犹新。

我们大学学线性代数、现代控制理论以及线性系统时都会学到特征值与特征向量，而且也仅限于会做题而已，却根本不知道他们是怎么来的。本文就深度梳理一下特征值与特征向量及其几何意义。

---

1.特征值与特征向量

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。

实际上，上述的一段话既讲了矩阵变换特征值及特征向量的几何意义（图形变换）也讲了其物理含义。物理的含义就是运动的图景：特征向量在一个矩阵的作用下作伸缩运动，伸缩的幅度由特征值确定。特征值大于1，所有属于此特征值的特征向量身形暴长；特征值大于0小于1，特征向量身形猛缩；特征值小于0，特征向量缩过了界，反方向到0点那边去了。

我们来看个例子：
$M=\left(\begin{array}{lc}3& 0\\ 0& 1\end{array}\right)$
它其实对应的线性变换是下面的形式：

因为这个矩阵M 乘以一个向量(x,y)的结果是：
$\left(\begin{array}{lc}3& 0\\ 0& 1\end{array}\right)\left(\begin{array}{l}x\\ y\end{array}\right)=\left(\begin{array}{l}3x\\ y\end{array}\right)$

上面的矩阵是对称的， 所以这个变换是一个对x, y轴的方向一个拉伸变换（每一个对角线上的元素将会对一个维度进行拉伸变换，当值>1时， 是拉长， 当值<1时时缩短），当矩阵不是对称的时候， 假如说矩阵是下面的样子：

$M=\left(\begin{array}{lc}1& 1\\ 0& 1\end{array}\right)$

它所描述的变换是下面的样子：

这其实是在平面上对一个轴进行的拉伸变换（如蓝色的箭头所示） ， 在图中， 蓝色的箭头是一个最主要的变化方向（变化方向可能有不止一个）。如果我们想要描述好一个变换， 那我们就描述好这个变换主要的变化方向就好了。

2.特征值分解

设 A 是n阶方阵，如果存在数λ和非零n维列向量 x，使得 $A\alpha =\lambda \alpha$ 成立，则称 λ 是矩阵A的一个特征值（characteristic value)，而α是矩阵A对应于特征值λ的特征向量（Eigenvector）。

特征值分解是将一个矩阵分解成下面的形式：
$A=Q\Sigma Q^T$
其中Q是这个矩阵A的特征向量组成的矩阵， Σ是一个对角阵， 每一个对角线上的元素就是一个特征值。

分解得到的Σ矩阵是一个对角阵， 里面的特征值是由大到小排列的， 这些特征值所对应的特征向量就是描述这个矩阵变化方向（从主要的变化到次要的变化排列）。也就是说矩阵A的信息可以由其特征值和特征向量表示。

总结一下， 特征值分解可以得到特征值与特征向量，特征值表示的是这个特征到底有多重要， 而特征向量表示这个特征是什么。不过， 特征值分解也有很多的局限， 比如说变换的矩阵必须是方阵。如果A不是方阵，即行和列不相同时，就不能用这种方法对矩阵进行分解，由此引入奇异值分解（SVD）的概念。
关于奇异值分解（SVD）相关知识，可参考博客：
https://blog.csdn.net/didi_ya/article/details/108895122

最后，强烈推荐大家看一下B站视频：线性代数的本质
真的，特别有帮助！