标签:特征向量 矩阵 正交 之二 分解 vec Lambda 方阵 lambda
机器学习数学基础之二方阵的特征分解
方阵的特征分解
特征分解的内容在《线性代数》这门课程里边讲过,现在算是对相关内容做一下简单回顾。
【特征值&特征向量】:对于方阵 A A A,若存在一个数 λ \lambda λ 和一个向量 v ⃗ \vec{v} v 使得 A v ⃗ = λ v ⃗ A\vec{v}=\lambda\vec{v} Av =λv 成立,那么我们称 λ \lambda λ 为矩阵 A A A 的特征值, 向量 v ⃗ \vec{v} v 称为矩阵 A A A 的特征向量。
【特征向量的求解】:关于如何求解特征向量和对应的特征值,在《线性代数》这门课程里边详细讲过,在此不再赘述。
【特征分解】:对于n阶方阵
A
A
A ,其所有的特征向量组成的特征矩阵记作
V
=
(
v
1
⃗
v
2
⃗
.
.
.
v
n
⃗
)
,
v
i
∈
R
n
,
i
=
1
,
2
,
.
.
.
,
n
V=\begin{pmatrix}\vec{v_1}&\vec{v_2}&.&.&.&\vec{v_n}\end{pmatrix},v_i\in{R^n},i=1,2,...,n
V=(v1
v2
...vn
),vi∈Rn,i=1,2,...,n。对应的特征值组成的对角矩阵
Λ
=
(
λ
1
0
0
.
.
0
0
λ
2
0
.
.
0
0
0
λ
3
.
.
0
.
.
.
.
0
0
0
.
.
λ
n
)
=
d
i
a
g
(
λ
i
)
,
i
=
1
,
2
,
.
.
.
,
n
\Lambda=\begin{pmatrix}\lambda_1&0&0&.&.&0\\0&\lambda_2&0&.&.&0\\0&0&\lambda_3&.&.&0\\.&&&&&.\\.&&&&&.\\0&0&0&.&.&\lambda_n\end{pmatrix}=diag(\lambda_i),i=1,2,...,n
Λ=⎝⎜⎜⎜⎜⎜⎜⎛λ100..00λ20000λ30........000..λn⎠⎟⎟⎟⎟⎟⎟⎞=diag(λi),i=1,2,...,n
则 A V = V Λ ⇒ A = V Λ V − 1 AV=V\Lambda \Rightarrow A=V\Lambda V^{-1} AV=VΛ⇒A=VΛV−1
若 A A A 为实对称矩阵,则一定存在一个正交矩阵 Q Q Q 使得 A = Q Λ Q − 1 = Q Λ Q T A=Q\Lambda Q^{-1}=Q\Lambda Q^T A=QΛQ−1=QΛQT
【注】:1)关于特征矩阵的正交化(施密特正交化)在线代中详细讲过,此处不再赘述;
\quad \quad \quad
2)关于正交矩阵的定义:若n阶方阵
A
A
A 满足
A
A
T
=
A
T
A
=
E
AA^T=A^TA=E
AAT=ATA=E,则
A
A
A 为正交矩阵。
特征分解的几何意义
对于 A v ⃗ = λ v ⃗ A\vec{v}=\lambda\vec{v} Av =λv ,我们可以看做向量 v ⃗ \vec{v} v 在变换矩阵 A A A 的作用下沿其本来的方向扩展了 λ \lambda λ 倍。又因为 A ( s v ⃗ ) = s λ v ⃗ A(s\vec{v})=s\lambda\vec{v} A(sv )=sλv ,所以我们只关注 v ⃗ \vec{v} v 的方向,所以令 v ⃗ \vec{v} v 为单位向量。那么我们以二维空间为例来看一下特征分解的几何意义。
v
1
⃗
,
v
2
⃗
\vec{v_1},\vec{v_2}
v1
,v2
为正交的单位向量,则矩阵
A
A
A 代表着将
v
1
⃗
,
v
2
⃗
\vec{v_1},\vec{v_2}
v1
,v2
变换为
λ
1
v
1
,
λ
2
v
2
\lambda_1{v_1},\lambda_2{v_2}
λ1v1,λ2v2 的变换矩阵。
标签:特征向量,矩阵,正交,之二,分解,vec,Lambda,方阵,lambda 来源: https://blog.csdn.net/qq_41821224/article/details/112980239
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。