线性代数-3Blue1Brown《线性代数的本质》特征向量与特征值(12)

本文是3B1B 《线性代数的本质》系列视频之 征向量与特征值 的学习笔记。

1、几何理解

特征向量是线性变换中方向始终不变,只发生伸缩(或反向)的非零向量。特征值则描述了该方向被拉伸或压缩的倍数。

特征向量是在变换中只被拉伸或压缩,而不被旋转出自身直线的向量。

线性变换时,特征向量拒绝"转向",只接受"伸缩"或"反向"(反向是伸缩倍数为负数的伸缩,方向依然在同一条直线上)

特征值λ是特征向量的伸缩系数,λ>0时,向量与原方向同向,|λ|>1拉伸,|λ|<1缩短;λ<0时,向量与原方向反向,|λ|决定伸缩幅度;λ=0时,向量被压缩到原点(无意义)。

形象比喻

  • 地球仪旋转:地轴方向就是特征方向
  • 在一个画满箭头的画布,拉伸画布,箭头方向不变,长度放大的箭头就是特征向量箭头

缩放

矩阵 A = 3 0 0 2 A = \begin{bmatrix}3 & 0 \\0 & 2\end{bmatrix} A=3002

  • 特征向量就是坐标轴方向
  • x方向拉伸3倍,特征值=3
  • y方向拉伸2倍,特征值=2

旋转90°

A = 0 − 1 1 0 A = \begin{bmatrix} 0 & -1 \\ 1 & 0 \end{bmatrix} A=01−10

所有向量旋转90°,所有方向都改变,无特征向量。

2、特征方程

1.对于一个 n × n n×n n×n 方阵 A A A,如果存在 非零向量 v v v 和 标量 λ λ λ 使得: A v = λ v Av=λv Av=λv

  • λ λ λ 称为特征值(标量)
  • v v v 称为对应 λ λ λ 的特征向量

2.移项: A v − λ v = 0 Av-λv=0 Av−λv=0

3.插入单位矩阵 I I I: A v − λ I v = 0 Av-λIv=0 Av−λIv=0

为什么需要 λ I λI λI 而不是 λ λ λ?

因为 A A A 是矩阵, λ λ λ 是标量,不能直接相减

通过单位矩阵 I I I 将 λ λ λ 转换为矩阵形式:
λ 0 0 0 λ 0 0 0 λ \begin{bmatrix} λ & 0 & 0 \\ 0 & λ & 0 \\ 0 & 0 & λ\end{bmatrix} λ000λ000λ

4.提取 v v v: ( A − λ I ) v = 0 (A-λI)v = 0 (A−λI)v=0

5.要有非零解 v v v,得到特征方程: d e t ( A − λ I ) = 0 det(A - λ I) = 0 det(A−λI)=0

线性代数-3Blue1Brown《线性代数的本质》行列式(7)

相关推荐
luoganttcc1 天前
指数分布的完整推导
线性代数·机器学习·概率论
爱刷碗的苏泓舒2 天前
平方根信息滤波:矩阵推导及 GNSS 参数估计应用
线性代数·算法·矩阵·gnss·参数估计·测量平差·平方根信息滤波
AI科技星2 天前
光速螺旋时空曲率挠率拓扑统一场论——四大力全域闭环求导、精算验证与第一性原理完备证明
线性代数·算法·决策树·机器学习·常温超导·ai科技星
noipp3 天前
推荐题目:洛谷 B2099 矩阵交换行
线性代数·算法·矩阵
ssl_xxy3 天前
行列式杂题第二弹
线性代数·矩阵
AI科技星5 天前
全域三极公理统一篇——所有分析、代数、拓扑、算子理论同源归一,回归0/1/∞创世本源闭环《全域数学vs传统数学:人类文明进阶200讲》第91讲
人工智能·线性代数·机器学习·数据挖掘·回归·乖乖数学·全域数学
AI科技星6 天前
线性算子不是空间映射函数,是全域双螺旋场之间拉伸、旋转、耦合、坍缩的跨空间标准化变换载体《全域数学vs传统数学:人类文明进阶200讲》第80讲
线性代数·算法·矩阵·数据挖掘·回归·乖乖数学·全域数学
米罗篮6 天前
矩阵快速幂 (Exponentiation By Squaring Applied To Matrices)
c++·线性代数·算法·矩阵
AI科技星6 天前
基于全域数学公理体系的三元极值题最简求解法【乖乖数学】
线性代数·算法·游戏·决策树·机器学习·乖乖数学·全域数学
Ivanqhz7 天前
DRN(深度强化学习推荐网络)
人工智能·线性代数·机器学习·矩阵·dnn