Visualize-ML

← 目录Ch13 线性变换

Ch13 特征值分解

Eigendecomposition · 矩阵的 DNA 密码

🎮 特征值：矩阵的 DNA

哪些向量在变换下方向不变？

🎯 找到特征向量！

向量角度30°

旋转向量 v，观察变换后的 Av。
当 v 和 Av 方向相同时，v 就是特征向量！

💡 继续找...

v 和 Av 方向不同，v 不是特征向量。
试试 45° 或 315° 附近！

🌟 特征值的应用

• PageRank：主特征向量 = 网页重要性
• PCA：特征向量 = 主成分方向
• 振动分析：特征值 = 固有频率

🎯

Av = λv

方向不变，只缩放

⚡

幂迭代

收敛到主特征向量

🔮

A = QΛQᵀ

对称矩阵可对角化

开篇

特征值揭示矩阵的本质行为

🎯

Av = λv

方向不变，只缩放

⚡

幂迭代

收敛到主特征向量

🔮

对角化

A = QΛQᵀ

13.1 特征值与特征向量

🎯 目标：理解 Av = λv，特征向量在变换下方向不变，特征值是缩放因子

🎮 特征值特征向量探索器

Av = λv，特征向量方向不变，只被缩放

矩阵 A

预设矩阵

特征值 (实数)

λ1

3.62

λ2

1.38

tr(A) = 5.00 = λ1+λ2

det(A) = 5.00 = λ1·λ2

几何理解：特征向量是矩阵变换的"主轴方向"，沿这些方向只有缩放没有旋转。单位圆变换后成为椭圆，椭圆的主轴就是特征向量方向。

13.2 特征值分解

🎯 目标：理解对称矩阵 A = QΛQᵀ，Q 是特征向量，Λ 是特征值对角阵

🎮 特征值分解演示

A = QΛQ^T，对称矩阵的正交对角化

分解步骤

原矩阵 A

对称矩阵，可正交对角化

分解公式

A = QΛQ^T

• Q：特征向量矩阵（正交）

• Λ：特征值对角矩阵

• Q^T = Q^-1（正交矩阵性质）

λ1

3.618

λ2

1.382

正交性验证

Q^TQ = I ✓
v1 · v2 = 0.0000 ≈ 0 ✓

3.00

1.00

2.00

分解意义：特征分解揭示了矩阵的本质结构。 A的作用 = 先变换到特征向量坐标系(Q^T) → 沿各轴缩放(Λ) → 变换回原坐标系(Q)。

13.3 幂迭代法

🎯 目标：理解反复乘以 A 并归一化，会收敛到主特征向量（最大特征值对应）

🎮 幂迭代法演示

v(k+1) = Av(k) / norm，逼近主特征向量

迭代控制

迭代次数:0

矩阵 A

当前向量 v

(1.000, 0.000)

估计 λ

3.1623

收敛分析

真实 λ1

3.6180

误差

0.455756

绿色向量逐渐收敛到主特征向量方向

幂迭代原理：反复乘以 A 并归一化，任意初始向量都会收敛到主特征向量（最大特征值对应）。收敛速度取决于 |λ2/λ1|，差距越大收敛越快。

13.4 特征多项式

🎯 目标：理解 det(A-λI)=0 的根就是特征值，韦达定理连接迹和行列式

🎮 特征多项式探索器

det(λI - A) = λ² - tr(A)λ + det(A) = 0

矩阵 A

特征多项式

p(λ) = λ² - 5λ + 5.0

tr(A) = λ₁+λ₂

det(A) = λ₁·λ₂

5.0

特征值 (实数)

λ₁ = 3.62,λ₂ = 1.38

p(λ) 图像

特征值是多项式与 x 轴的交点

韦达定理：特征值之和 = 迹，特征值之积 = 行列式。

13.5 对角化

🎯 目标：理解 A = PDP⁻¹ 让矩阵幂和函数计算变简单

🎮 对角化分步演示

A = PDP⁻¹，将矩阵化为对角形式

对角化步骤

原矩阵 A

要对角化的矩阵

对角化条件：矩阵有 n 个线性无关的特征向量时可对角化。对称矩阵总是可对角化。

本章小结

特征分解是理解矩阵的终极工具

核心公式

Av = λv（定义）

det(A - λI) = 0（求特征值）

A = QΛQᵀ（对称矩阵）

Aⁿ = QΛⁿQᵀ（矩阵幂）

应用场景

• PageRank：主特征向量 = 重要性

• PCA：特征向量 = 主成分

• 振动分析：特征值 = 固有频率

• 稳定性：特征值决定系统行为

📚 下一章：Ch14 深入特征值分解