知识卡片
特征分解给出伸缩方向
特征向量 v 满足 Av=λv(v≠0):矩阵 A 作用在它身上不改变方向,只把长度缩放 λ 倍,λ 称为对应的特征值。缩放后的 sv 仍是同一特征向量、特征值不变,所以只取单位特征向量就够了。左特征向量 xᵀA=λxᵀ 也可以定义,但通常更关心右特征向量。
把 n 个线性无关的特征向量按列拼成 V、特征值排成对角阵 Λ,则 A=VΛV⁻¹,这就是特征分解。实对称矩阵一定能分解为 A=QΛQᵀ,其中 Q 是正交矩阵(列向量两两正交且长度为 1,满足 QQᵀ=I),Λ 是实对角阵,Q 的第 i 列对应第 i 个特征值。
并非所有矩阵都能这样做:非对称矩阵的特征值可能是复数,也可能凑不齐 n 个线性无关的特征向量。
用途:特征值的大小表示该方向被拉伸的程度。对协方差矩阵做特征分解,特征值最大的方向就是数据变化最剧烈的方向,按特征值从大到小保留若干方向即可降维并去掉相关性。
边界:最大与最小特征值之比(条件数)很大时,矩阵接近奇异,求逆会放大误差。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
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1章 概率统计与应用数学基础知识 · 查看原书依据
矩阵可以通过分解发现矩阵表示成数据元素时不明显的函数性质。特征分解是矩阵分解最常使用的方法之一,它将矩阵分解成一组特征向量和特征值。
参考来源
- 位置:《智能搜索和推荐系统:原理、算法与应用(零基础掌握搜索和推荐系统的原理、架构、算法) (智能系统与技术丛书)》第1章 概率统计与应用数学基础知识(源文件:extracted/智能搜索和推荐系统:原理、算法与应用(零基础掌握搜索和推荐系统的原理、架构、算法) (智能系统与技术丛书)/_epub-src/text/part0016.html)
- 结论依据:原文给出特征向量与特征值的定义、缩放不变性、一般分解式与实对称矩阵的正交分解,并明确指出不是每个矩阵都能分解。
- 原始内容:矩阵可以通过分解发现矩阵表示成数据元素时不明显的函数性质。特征分解是矩阵分解最常使用的方法之一,它将矩阵分解成一组特征向量和特征值。