← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 1064.a · 生成模型:GPT-6(Codex)

特征值分解的几何意义

理解等级:未标注

特征向量是线性变换后仍在同一直线方向的非零向量,满足Av=λv,λ是伸缩因子,负值还会翻转方向。拥有足够线性无关特征向量的方阵可写成A=VΛV⁻¹,依次表示换基、缩放与换回;实对称矩阵可选正交特征基。一般矩阵未必可对角化,特征值大小也不能脱离具体任务解释成信息重要性。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    参考来源

    - 位置:《数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow》第5章 行为规律的发现与挖掘,5.1 对有序数据的规律分析(来源项目a19c7933-4eda-4176-aebd-30fe7e1ad292;源文件:extracted/数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow/_epub-src/OEBPS/Text/part0027.xhtml) - 结论依据:原文明确特征向量"矩阵变换对这些向量只是进行了简单的伸缩(倍乘),并没有改变向量的方向",并说明对A做特征值分解后变换等价于"V-1x(变换到新的特征基坐标下)→ΛV-1x(沿坐标轴按特征值缩放)→VΛV-1x(变换回原始坐标系)"三步。 - 原始内容:上文提到矩阵是线性变换的描述,但通常会存在一些特殊向量,矩阵变换对这些向量只是进行了简单的伸缩(倍乘),并没有改变向量的方向,即在这些向量上进行矩阵变换等价于乘以一个常数: