特征值和特征向量:
特征向量:就是变换以后仍然保持相同方向的向量
一般来说,理解矩阵变换可以有两种方式,一种是矩阵的列看出变换后的基向量来表示:
求解特征值和特征向量
-
特征向量的代数上含义是:将矩阵乘法转换为数乘操作;
-
特征向量的几何含义是:特征向量通过方阵A变换只进行伸缩,而保持特征向量的方向不变。
![A\vec v = λ\vec v](https://i-blog.csdnimg.cn/blog_migrate/342ff4ce96580f9218b83e8b599c7d99.png)
其中 λ 可以由常数值转化为矩阵形式 所以式子变为:
代入具体例子
当v为零向量时,等式一定成立,但我们需要求非零解v。假设为为下图的黄线:
当行列式为0时,空间被压缩成一条直线时
假设 所以求解步骤为:
求得λ代入到式子中可以得到特征向量。
特征基和对角矩阵
现在讨论基向量和特征向量完全相同时的情况:
这样的矩阵叫做对角矩阵,且对角线的值就是特征值:
这种矩阵有一个优势,就是计算十分简便:
特征值分解
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
在机器学习特征提取中,意思就是最大特征值对应的特征向量方向上包含最多的信息量,如果某几个特征值很小,说明这几个方向信息量很小,可以用来降维,也就是删除小特征值对应方向的数据,只保留大特征值方向对应的数据,这样做以后数据量减小,但有用信息量变化不大,PCA降维就是基于这种思路。
奇异值
特征值及特征值分解都是针对方阵而言,现实世界中,我们看到的大部分矩阵不是方阵,比如每道数据有M个点,一共采集了N道数据,这样就形成了一个N*M的矩阵,那么怎样才能像方阵一样提取出它的特征,以及特征的重要性。
奇异值分解就是来干这个事情的。奇异值相当于方阵中的特征值,奇异值分解相当于方阵中的特征值分解。
奇异值分解SVD
U 矩阵(左奇异矩阵)的列向量分别是u1,u2( 的特征向量);
Σ是除了主对角线上的元素以外全为0,主对角线上的每个元素都称为奇异值
V矩阵(右奇异矩阵)的列向量分别是v1,v2(的特征向量)。
V表示了原始域的标准正交基,U表示经过M 变换后的co-domain的标准正交基,Σ表示了V 中的向量与u中相对应向量之间的关系,即协方差,位于对角线上的元素被称为奇异值。