Ch.07

特征值与特征向量：变换中不变的主轴

选择章节后，下方图示会切换为该章节内容。可一览中级数学的脉络。

特征值与特征向量: 变换了也不离开那条线

特征向量 是变换后仍 留在同一条过原点的直线 上的方向；在这条线上只会 拉长或缩短 （也可能指向反侧）。 特征值 就是这条线上 长度的倍数 。

矩阵 / Matrix

特征值 / Eigenvalue

A

特征向量 / Eigenvector

褐色圆标 表示 变换规则 ； 薄荷绿圆标 表示该直线上的 长度倍率 ； 珊瑚色下划线 强调等号 两侧同一方向 。 曲线箭头 把标签与式子对应起来。

想象洗衣机里的衣物：水在打转，布在缠绕， 运动方向会拐弯 。矩阵变换空间时，大多数向量也会 离开原来的直线 ，方向发生改变。 但滚筒中心的 转轴 不一样：转得再猛，它也 留在同一条直线上 。数学里也有这样的方向：变换后仍 在同一直线上 ，长度像橡皮筋一样伸缩——这就是 特征向量 和 特征值 。本章帮助你在看起来很乱的数据里，先找到这条 稳定的线 ，再慢慢拆开理解。

特征值与特征向量: 变换了也不离开那条线

A\mathbf{v}=\lambda\mathbf{v}

2. 特征值——这条线上长度怎么变 在特征向量方向上，长度按一个 倍数 改变。 大于 1 拉长， 在 0 与 1 之间 缩短； 为负 时仍在同一直线上，但指向 另一侧 。

3. 特征方程——求特征值的常用办法 先写 特征方程 找候选。直觉上：试到某个值时，空间 被压扁 、体积感变成零，这个值就是候选；再求对应方向。

4. 对角化——把复杂变换拆成“各轴各乘一个数” 若有足够多的独立特征方向作新基底，就能把变换写成 各轴只乘一个数 、彼此不搅在一起的形式，读起来简单很多。

\det(A)

A\mathbf{v}=\lambda\mathbf{v}

特征值与特征向量帮助你在 很多方向搅在一起 时，找出 最有信息量的方向 。 维度很高时，不同方向的变化大小不一样。 协方差矩阵的特征向量 指出“数据散得最开”的方向，特征值说明散得有多大。

在天气、市场、网页排名等 反复乘同一个矩阵 的模型里，只看特征值也常能判断数值会 爆掉 、 趋向零 还是 慢慢稳定 ，不必一步步硬算。

1. PCA 与降维（找最重要的方向） 人脸照片像素很多，但 并不是每个像素都同样重要 。先建协方差矩阵再求特征向量， 最大特征值 的方向往往靠近眼睛、轮廓等变化大的部位，用少数方向就能 大幅减维 而信息损失较小。

2. PageRank——链接与稳定分数 把网页互链写成矩阵，问“随机一直点链接会聚到哪里”，大体上就是在求 稳定得分形态 （同一规则再作用一次也 不变 ）那一类问题。 3. 深度学习与稳定性（梯度问题） RNN 等会 反复乘同一个变换 ：若 最大特征尺度 远大于 1 易 梯度爆炸 ，若 都明显小于 1 易 梯度消失 ；因此常把谱调到 接近 1 更稳。

A\mathbf{v}=\lambda\mathbf{v}

A\mathbf{v}=\lambda\mathbf{v}

示例

示例1 定义 同一直线上的 倍数 与 方向 叫什么? \to 特征值 与 特征向量 。 示例2 判断 相似矩阵有相同特征多项式。\to 对 。 示例3 对角 对角为 3 与 2 的 2\times2 对角阵特征值? \to 3 与 2 。 示例4 重复 倍率为 λ 时 同一变换做三次 ? \to λ 连乘三次 的倍率。 示例5 和\cdot积 特征值 1 与 4 的迹与行列式? \to 和 5，积 4 。 示例6 PCA 协方差最大特征值的方向? \to 方差最大的主方向 。

\mathbb{R}^2

1 / 10

特征值与特征向量: 变换了也不离开那条线

A\mathbf{v}=\lambda\mathbf{v}

2. 特征值——这条线上长度怎么变 在特征向量方向上，长度按一个 倍数 改变。 大于 1 拉长， 在 0 与 1 之间 缩短； 为负 时仍在同一直线上，但指向 另一侧 。

3. 特征方程——求特征值的常用办法 先写 特征方程 找候选。直觉上：试到某个值时，空间 被压扁 、体积感变成零，这个值就是候选；再求对应方向。

4. 对角化——把复杂变换拆成“各轴各乘一个数” 若有足够多的独立特征方向作新基底，就能把变换写成 各轴只乘一个数 、彼此不搅在一起的形式，读起来简单很多。

\det(A)

A\mathbf{v}=\lambda\mathbf{v}

特征值与特征向量帮助你在 很多方向搅在一起 时，找出 最有信息量的方向 。 维度很高时，不同方向的变化大小不一样。 协方差矩阵的特征向量 指出“数据散得最开”的方向，特征值说明散得有多大。

在天气、市场、网页排名等 反复乘同一个矩阵 的模型里，只看特征值也常能判断数值会 爆掉 、 趋向零 还是 慢慢稳定 ，不必一步步硬算。

1. PCA 与降维（找最重要的方向） 人脸照片像素很多，但 并不是每个像素都同样重要 。先建协方差矩阵再求特征向量， 最大特征值 的方向往往靠近眼睛、轮廓等变化大的部位，用少数方向就能 大幅减维 而信息损失较小。

2. PageRank——链接与稳定分数 把网页互链写成矩阵，问“随机一直点链接会聚到哪里”，大体上就是在求 稳定得分形态 （同一规则再作用一次也 不变 ）那一类问题。 3. 深度学习与稳定性（梯度问题） RNN 等会 反复乘同一个变换 ：若 最大特征尺度 远大于 1 易 梯度爆炸 ，若 都明显小于 1 易 梯度消失 ；因此常把谱调到 接近 1 更稳。

A\mathbf{v}=\lambda\mathbf{v}

A\mathbf{v}=\lambda\mathbf{v}

示例

示例1 定义 同一直线上的 倍数 与 方向 叫什么? \to 特征值 与 特征向量 。 示例2 判断 相似矩阵有相同特征多项式。\to 对 。 示例3 对角 对角为 3 与 2 的 2\times2 对角阵特征值? \to 3 与 2 。 示例4 重复 倍率为 λ 时 同一变换做三次 ? \to λ 连乘三次 的倍率。 示例5 和\cdot积 特征值 1 与 4 的迹与行列式? \to 和 5，积 4 。 示例6 PCA 协方差最大特征值的方向? \to 方差最大的主方向 。

\mathbb{R}^2

1 / 10

用语	含义
特征对	同一直线，长度按倍数变（ $A\mathbf{v}=\lambda\mathbf{v}$ ）
特征方程	列出特征值候选的常规写法
求方向	候选确定后，用“减去倍数后的线性方程组”取方向
几何/代数重数	实际方向维数 vs 方程根重复次数
对角化	独立特征方向足够时，可写成各轴只乘一个数
$\det(A)$	单位体积/面积的倍数（Ch.05）；等于特征值之积
迹与行列式	特征值和与积的快速核对

用语	含义
特征对	同一直线，长度按倍数变（ $A\mathbf{v}=\lambda\mathbf{v}$ ）
特征方程	列出特征值候选的常规写法
求方向	候选确定后，用“减去倍数后的线性方程组”取方向
几何/代数重数	实际方向维数 vs 方程根重复次数
对角化	独立特征方向足够时，可写成各轴只乘一个数
$\det(A)$	单位体积/面积的倍数（Ch.05）；等于特征值之积
迹与行列式	特征值和与积的快速核对