特征值和特征向量的由来
原文链接:https://blog.csdn.net/z735640642/article/details/86166589
我们先来看一下这俩货的定义:
单纯从定义来说可能不好理解,我们可以了解一下特征值和特征向量的几何意义
我们以一个恋爱故事为栗子:
二维公园(坐标轴)里的椅子上有一个孤独的向量v(-2,2),一个忠心(不变)的矩阵A试图从左边搭讪向量v,于是他们坐在一起得到向量Av
他们就开始上谈天文,下聊地理。秀外慧中的向量v彻底迷住了矩阵A,待到离别时,A心里始终放不下v,当v去一个地方的时候,Av(A心里有着v,不是单纯的A)也陪着她去,就这样经历漫长的约会和成长(即下图中的向量v从左边移到右边),终于……
向量v和Av结婚了(共线)!结婚后的向量v多了一份名义,叫做特征向量。而且向量Av的责任也变多了(上图是向量Av相对向量v来说伸长了)。也就是说,向量v与矩阵A的结婚后,向量Av保持忠心(方向)不变,责任变多了或什么东西变少了(进行比例为λ的伸缩)。
那么我们也许会问:什么东西会变少呢?在恋爱中,向量v喜欢去爬山,向量Av喜欢玩游戏,他们一起度过许多美好时光。
结婚后,向量Av的责任变多了,要撑起这一个家,把更多心思花在孩子教育上,兴趣爱好变少了(上图中容易看出这时候向量Av相对向量v来说“缩短”了)。责任对应的特征值大于1(伸长),兴趣爱好对应的特征值小于1(缩短)。
随着时间的流逝(上下移动v)我们还发现,有两条直线上有着v和Av的所有踪迹,这就是他们的生活空间(特征空间)。换句话说,特征空间包含所有的特征向量。
下面的一个类比可以帮助我们更好的理解特征值和特征向量:
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。
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变长;特征值大于0小于1,特征向量缩短;特征值小于0,特征向量缩过了界,反方向到原点那边去了。
特征值和特征向量的应用
(1)可以用在研究物理、化学领域的微分方程、连续的或离散的动力系统中。例如,在力学中,惯量的特征向量定义了刚体的主轴。惯量是决定刚体围绕质心转动的关键数据;
(2)数学生态学家用来预测原始森林遭到何种程度的砍伐,会造成猫头鹰的种群灭亡;
(3)著名的图像处理中的PCA方法,选取特征值最高的k个特征向量来表示一个矩阵,从而达到降维分析+特征显示的方法,还有图像压缩的K-L变换。再比如很多人脸识别,数据流模式挖掘分析等方面。