一文读懂特征值和特征向量

本文用一个实例来说明特征值和特征向量的起因和实际意义，然后给出定义，计算方法，python代码以及其他解释。

特征值分解

实例

某城市有10000名女性，其中8000名已婚，2000名未婚。每年有30%的已婚女性离婚，有20%的未婚女性结婚。计算若干年后该城市已婚女性和未婚女性的数量。

10000名女性可以用一个向量来表示，即$w_0=[8000,2000{]}^T$，每年的婚姻情况变化可以用矩阵来表示。
$$\left[\begin{array}{cc}0.7& 0.2\\ 0.3& 0.8\end{array}\right]$$
这样，一年后已婚人数和未婚人数可以表示为
$$w_1=A\ast w_0=\left[\begin{array}{cc}0.7& 0.2\\ 0.3& 0.8\end{array}\right]\ast \left[\begin{array}{c}8000\\ 2000\end{array}\right]=\left[\begin{array}{c}6000\\ 4000\end{array}\right]$$
一直这么变化下去，从第12年开始已婚未婚人数就稳定下来，到达一个稳态(steady state)。
$$w_{12}=A^{12}\ast w_0={\left[\begin{array}{cc}0.7& 0.2\\ 0.3& 0.8\end{array}\right]}^{12}\ast \left[\begin{array}{c}8000\\ 2000\end{array}\right]={\left[\begin{array}{cc}0.4& 0.4\\ 0.6& 0.6\end{array}\right]}^{12}\ast \left[\begin{array}{c}8000\\ 2000\end{array}\right]=\left[\begin{array}{c}4000\\ 6000\end{array}\right]$$
这里会提出一个疑问，如果一开始已婚和未婚人数不是$w_0=[8000,2000{]}^T$，结果还会是$w_{12}=[4000,6000{]}^T$吗？从上式可以看出，只要$A^n$收敛到等式中的值，不管初值是多少，结果总会是$[4000,6000{]}^T$。
根据这一点我们可以得到以下等式，设置向量 $x_1=[2,3{]}^T$
$$A\ast x_1=A\ast \left[\begin{array}{c}2\\ 3\end{array}\right]=1\ast \left[\begin{array}{c}2\\ 3\end{array}\right]$$
接下来看另一个等式，设置向量$x_2=[-1,1{]}^T$
$$A\ast x_2=A\ast \left[\begin{array}{c}-1\\ 1\end{array}\right]=1/2\ast \left[\begin{array}{c}-1\\ 1\end{array}\right]$$
假设初始状态，未婚女性人数为$p$，已婚女性人数为$10000-p$，即$w_0=[p,10000-p{]}^T$使用向量$x_1,x_2$来表示，引入两个变量$c_1,c_2$，则有
$w_0=c_1\ast x_1+c_2\ast x_2$
$w_1=A\ast w_0=c_1\ast x_1+(\frac{1}{2})\ast c_2\ast x_2$
$w_n=A^n\ast w_0=c_1\ast x_1+(\frac{1}{2}{)}^n\ast c_2\ast x_2$
展开$x_1,x_2$得到以下方程，可以解得$c_1=2000$。
$2c_1-c_2=p$
$3c_1+c_2=10000-p$
这样，$w_n$可以得到以下分解
$$w_n=A^n\ast w_0=2000\ast \left[\begin{array}{c}2\\ 3\end{array}\right]+(\frac{1}{2}{)}^n\ast (4000-p)\ast \left[\begin{array}{c}-1\\ 1\end{array}\right]$$
$w_n$由两部分组成，第一部分是稳态部分，变换$A$对其不会造成影响。第二部分是瞬态部分，变换$A$会对其造成衰减。这样，变换$A$对$w_0$的作用就可以分解成两个部分，分别由特征向量$x_1,x_2$，和特征值${\lambda }_1,{\lambda }_2$来表示。

定义

如果说一个向量$v$是方阵$A$的特征向量，将一定可以表示成下面的形式：
$$Av=\lambda v$$
这时候$\lambda$就被称为特征向量$v$对应的特征值，矩阵的特征向量是一组正交向量。特征值分解是将一个矩阵分解成下面的形式：
$$A=Q\Sigma Q^{-1}$$
其中$Q$是这个矩阵$A$的特征向量组成的矩阵，$\Sigma$是一个对角阵，每一个对角线上的元素就是一个特征值。求特征值和特征向量分别使用以下方程
$$det(A-\lambda I)=0\text{\hspace{1em}(1)}$$$$(A-\lambda I)\ast x=0\text{\hspace{1em}(2)}$$

计算

计算过程是先求解行列式$(1)$，得到特征值$\lambda$，然后分别将特征值代入方程$(2)$求得对应的特征向量$x$。
$$\left[\begin{array}{cc}0.7-\lambda & 0.2\\ 0.3& 0.8-\lambda \end{array}\right]=0$$

解方程得到$\lambda =[0.5,1]$。
当$\lambda =0.5$时，有
$$\left[\begin{array}{cc}0.2& 0.2\\ 0.3& 0.3\end{array}\right]\left[\begin{array}{c}x1\\ x2\end{array}\right]=0$$
解得$x_1=-x_2$，即属于特征值${\lambda }_1=0.5$有特征向量$[0.707,-0.707{]}^T$，这里做了归一化，要求$||x||=1$。同理可以求得属于特征值${\lambda }_2=1$的特征向量$[-0.5547,-0.832{]}^T$。

代码

python 代码和输出结果如下

import numpy as np
A = np.array([[0.7, 0.2],[0.3, 0.8]])
eigenvalues, eigenvectors = np.linalg.eig(A)
print('eigenvlues are', eigenvalues)
print('eigenvectors are \n',eigenvectors)

eigenvlues are [0.5 1. ]
eigenvectors are 
 [[-0.70710678 -0.5547002 ]
 [ 0.70710678 -0.83205029]]

其他解释

（以下部分来自其他人的博客）
首先，要明确的是，一个矩阵其实就是一个线性变换，因为一个矩阵乘以一个向量后得到的向量，其实就相当于将这个向量进行了线性变换。比如说下面的一个矩阵：
$$M=\left[\begin{array}{cc}3& 0\\ 0& 1\end{array}\right]$$
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$[x,y{]}^T$的结果是：
$$\left[\begin{array}{cc}3& 0\\ 0& 1\end{array}\right]\ast \left[\begin{array}{c}x\\ y\end{array}\right]=\left[\begin{array}{c}3x\\ y\end{array}\right]$$
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$>1$时拉长，当值$<1$时缩短），当矩阵不是对称的时候，假如说矩阵是下面的样子：
$$M=\left[\begin{array}{cc}1& 1\\ 0& 1\end{array}\right]$$
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。反过头来看看之前特征值分解的式子，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）

当矩阵是高维的情况下，那么这个矩阵就是高维空间下的一个线性变换，这个线性变化可能没法通过图片来表示，但是可以想象，这个变换也同样有很多的变换方向，我们通过特征值分解得到的前N个特征向量，那么就对应了这个矩阵最主要的N个变化方向。我们利用这前N个变化方向，就可以近似这个矩阵（变换）。也就是之前说的：提取这个矩阵最重要的特征。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，可以将每一个特征向量理解为一个线性的子空间，我们可以利用这些线性的子空间干很多的事情。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。