- 1、本文档共4页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
矩阵的特征值与特征向量
A
1、定义:设A是n阶方阵,如果数λ和n维非零列向量x使关系式x=λx成
立,那么这样的数λ称为矩阵A特征值,非零向量x称为A的对应于特征值
λ的特征向量。
A
意义:式x=λx也可写成(A-λE)X=0。这是n个未知数n个方程的齐次线
性方程组,它有非零解的充分必要条件是系数行列式|A-λE|=0。
2、应用:
(1)矩阵变换: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。
(2)矩阵分解:(实例:主成分分析
PCA、向量奇异值分解SVD)
如果说一个向量v是方阵A的特征向量,将可以表示成下面的形式:
这时候λ就被称为特征向量v对应的特征值,一个矩阵的一组特征向量是一组
正交向量。特征值分解是将一个矩阵分解成下面的形式:
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。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:
因为这个矩阵M乘以一个向量(x,y)的结果是:
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:
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: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。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。
(3)线性空间
在一个定义了内积的线性空间里,对一个N阶对称方阵进行特征分解,就是产
生了该空间的N个标准正交基,然后把矩阵投影到这N个基上。N个特征向量
就是N个标准正交基,而特征值的模则代表矩阵在每个基上的投影长度。特征
值越大,说明矩阵在对应的特征向量上的方差越大,功率越大,信息量越多。
(4)最优化:对于R的二次型,自变量在这个方向上变化的时候,对函数值的影
响最大,也就是该方向上的方向导数最大。
(5)数据挖掘(降维):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。
文档评论(0)