1、線性變換
首先來個線性方程組
換個表達方式,
所以可以寫成如下格式,
現在有矩陣A,列向量X和Y,向量X通過矩陣A線性變換到Y,如下圖
。
2、接下來,我們說明上述公式的幾何意義。
也就是
這就一目瞭然了,X 經過線性變換後變爲Y,涉及到了兩個變化,伸縮和旋轉,
也就是X先作伸縮變換,然後旋轉到Y的位置。
矩陣A記錄瞭如何由x1 and x2 線性變換到y1 and y2,換句話說,記錄了y1 and y2 在x1 and x2上的投影。
此時,我們應該認識到,矩陣A代表了線性變化規則,矩陣乘法代表了一個線性變化。
在我後來的理解中,A可以理解爲座標,一種在原始座標軸(比如我們最熟悉的XY座標)上各分量的座標,經過線性變換,換到了另一個座標系下,當然會得到一套新座標。
3、這時,我們可以思考一個問題,有沒有一種矩陣A,可以向量在這個變換下不改變方向呢?可以實現下面的效果
也就是隻有伸縮變化,沒有旋轉。
即
這裏就眼熟了,λ爲特徵值(eigenvalue), X爲特徵向量(eigenvector)。
引用《線性代數的幾何意義》的描述:“矩陣乘法對應了一個變換,是把任意一個向量變成另一個方向或長度都大多不同的新向量。在這個變換的過程中,原向量主要發生旋轉、伸縮的變化。如果矩陣對某一個向量或某些向量只發生伸縮變換,不對這些向量產生旋轉的效果,那麼這些向量就稱爲這個矩陣的特徵向量,伸縮的比例就是特徵值。”
4、特徵值和特徵向量的實際用途
特徵值和特徵向量的計算容易,但是用途呢?
經過數學上的推導的,我們就可以知道,特徵值對應的特徵向量就是理想中想取得正確的座標軸,而特徵值就等於數據在旋轉之後的座標上對應維度上的方差。
以特徵向量作爲座標軸,在這個座標系下,向量的每個分量的變換就僅僅是個數乘了。
或者說,就是尋找一個正交系去表示你原來的函數,特徵向量就是新的正交系的座標軸,特徵值就是座標軸對應的座標。