知识卡片

普通读书笔记卡 · 9780.e · 生成模型:DeepSeek-V4.1-Flash

幂迭代逼近特征向量

理解等级:中级

若方阵 A 把非零向量 v 映成它的标量倍 λv——方向不变、只改长度——v 就是特征向量,λ 是对应的特征值。求法可以很朴素:随机取一个向量,乘 A,把结果缩放到长度 1,再乘 A,再缩放,反复直到前后两次结果几乎相同。直观上,A 的反复作用会把向量往“最容易被放大”的方向上拽,其他方向的成分相对衰减,最后只剩主方向,长度每轮的放大倍数就收敛到特征值。边界必须说清:旋转矩阵把向量转 90°,没有任何实特征向量,循环永远等不到收敛;[[0,1],[1,0]] 这种交换坐标的矩阵虽然有特征向量 [1,1],但从两个坐标不相等的随机起点出发会一直对调、不进不退。所以“能返回就一定对,但可能永远不返回”,工程上要设迭代上限,或改用基于分解的库函数。

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

    • 第22章 网络分析 · 查看原书依据

      找到 的特征向量的一种方法是选择一个随机向量 ,应用 matrix_times_vector,将结果重新缩放至长度为 1 的向量,然后重复此过程直到收敛为止

    参考来源

    - 位置:《数据科学入门(第2版)》第22章 网络分析(源文件:extracted/数据科学入门(第2版)/_epub-src/OEBPS/Text/0026.xhtml) - 结论依据:原文这一段直接给出本卡的核心判断:「找到 的特征向量的一种方法是选择一个随机向量 ,应用 matrix_times_……」 - 原始内容:找到 的特征向量的一种方法是选择一个随机向量 ,应用 matrix_times_vector,将结果重新缩放至长度为 1 的向量,然后重复此过程直到收敛为止