今天和大家聊一个非常重要，在机器学习领域也广泛使用的一个概念——矩阵的特征值与特征向量。
我们先来看它的定义，定义本身很简单，假设我们有一个n阶的矩阵A以及一个实数\(\lambda\)，使得我们可以找到一个非零向量x，满足：
\[Ax=\lambda x\]
如果能够找到的话，我们就称\(\lambda\)是矩阵A的特征值，非零向量x是矩阵A的特征向量。
几何意义
光从上面的式子其实我们很难看出来什么，但是我们可以结合矩阵变换的几何意义，就会明朗很多。
我们都知道，对于一个n维的向量x来说，如果我们给他乘上一个n阶的方阵A，得到Ax。从几何角度来说，是对向量x进行了一个线性变换。变换之后得到的向量y和原向量x的方向和长度都发生了改变。
但是，对于一个特定的矩阵A来说，总存在一些特定方向的向量x，使得Ax和x的方向没有发生变化，只是长度发生了变化。我们令这个长度发生的变化当做是系数\(\lambda\)，那么对于这样的向量就称为是矩阵A的特征向量，\(\lambda\)就是这个特征向量对应的特殊值。
求解过程
我们对原式来进行一个很简单的变形：
\[(A-\lambda I)x = 0\]
这里的I表示单位矩阵，如果把它展开的话，可以得到一个n元的齐次线性方程组。这个我们已经很熟悉了，这个齐次线性方程组要存在非零解，那么需要系数行列式
\[|A-\lambda I|\]
不为零，也就是系数矩阵的秩小于n。
我们将这个行列式展开：
\[
\left|
\begin{matrix}
a_{11}-\lambda & a_{12} & \cdots & a_{1n} \a_{21} & a_{22} - \lambda & \cdots & a_{2n} \\
\vdots & \vdots & & \vdots \\
a_{n1} & a_{n2} & \cdots & a_{nm} - \lambda
\end{matrix}
\right|
\]
这是一个以\(\lambda\)为未知数的一元n次方程组，n次方程组在复数集内一共有n个解。我们观察上式，可以发现\(\lambda\)只出现在正对角线上，显然，A的特征值就是方程组的解。因为n次方程组有n个复数集内的解，所以矩阵A在复数集内有n个特征值。
我们举个例子，尝试一下：
假设:
\[
A=\left[
\begin{matrix}
a_{11}-\lambda & a_{12} \a_{21} & a_{22}-\lambda \\end{matrix}
\right]
\]
那么\(f(\lambda)=(a_{11}-\lambda)(a_{22}-\lambda)-a_{12}a_{21}=\lambda^2-(a_{11}+a_{22})\lambda-|A|\)，我们套入求根公式可以得出使得\(f(\lambda)=0\)的两个根\(\lambda_1, \lambda_2\)，有：\(\lambda_1+\lambda_2=a_{11}+a_{22},\quad \lambda_1\lambda_2=|A|\)。
这个结论可以推广到所有的n都可以成立，也就是说对于一个n阶的方阵A，都可以得到：
- \(\lambda_1+\lambda_2+\cdots+\lambda_n=a_{11}+a_{22}+\cdots+a_{nn}\)
- \(\lambda_1\lambda_2\cdots\lambda_n=|A|\)
案例
我们下面来看一个例子：
\[A=\left[
\begin{matrix}
3 & 1 \1 & 3
\end{matrix}
\right]\]
我们带入\((A-\lambda I)x=0\)，可以得到：
\[
\left|
\begin{matrix}
3-\lambda & 1 \1 & 3 - \lambda
\end{matrix}
\right|=0
\]
所以: \((3-\lambda)^2 - 1 = 0\)，可以看出来\(\lambda_1=2, \quad \lambda_2=4\)
当\(\lambda=2\)时：
\[
\left[
\begin{matrix}
3 & 1\1 & 3
\end{matrix}
\right]x = 2x
\]
\[
\left[
\begin{matrix}
3 & 1\1 & 3
\end{matrix}
\right][a_1, a_2]^T = [2a_1, 2a_2]^T
\]
\[
\begin{aligned}
3a_1 + a_2 &= 2a_1 \a_1 + 3a_2 &= 2a_2
\end{aligned}
\]
解之，可以得到：\(a_1+a_2=0\)，所有\((x, -x)\)向量都是A的特征向量。
同理，当\(\lambda = 4\)时：
\[
\begin{aligned}
\left[
\begin{matrix}
3 & 1\1 & 3
\end{matrix}
\right]x &= 4x \\left[
\begin{matrix}
3 & 1\1 & 3
\end{matrix}
\right][a_1, a_2]^T &= [4a_1, 4a_2]^T \3a_1 + a_2 &= 4a_1 \a_1 + 3a_2 &= 4a_2
\end{aligned}
\]
解之，可以得到：\(a_1=a_2\)，所有\((x, x)\)向量都是A的特征向量。
使用Python求解特征值和特征向量
在我们之前的文章当中，我们就介绍过了Python在计算科学上的强大能力，这一次在特征值和特征矩阵的求解上也不例外。通过使用numpy当中的库函数，我们可以非常轻松，一行代码，完成特征值和特征向量的双重计算。
我们一起来看代码：
import numpy as np
a = np.mat([[3, 1], [1, 3]])
lam, vet = np.linalg.eig(a)np.linalg.eig 方法会返回两个值，第一个返回值是矩阵的特征值，第二个返回值是矩阵的特征向量，我们看下结果：
这里的特征向量为什么是0.707呢？因为Python自动帮我们做好了单位化，返回的向量都是单位向量，不得不说实在是太贴心了。
总结
关于矩阵的特征值和特征向量的介绍到这里就结束了，对于算法工程师而言，相比于具体怎么计算特征向量以及特征值。理解清楚它们的概念和几何意义更加重要，因为这两者在机器学习的领域当中广泛使用，在许多降维算法当中，大量使用矩阵的特征值和特征向量。
对于降维算法的原理，这里不过多赘述，我们会在以后的文章当中更新相关内容。感兴趣的同学可以小小期待一下。
文章到这里就结束了，这也是线性代数专题的最后一篇文章，短短六篇文章当然不能涵盖线性代数这门学科当中的所有知识点，但实际当中常用的内容基本上已经都包括了。下周我们将开始全新的Python专题，希望大家多多期待。
如果觉得有所收获，请顺手点个关注或者转发吧，你们的支持是我最大的动力。
原文地址：https://www.cnblogs.com/techflow/p/12258342.html