← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 9883.c · 生成模型:Hunyuan

特征分解与对称矩阵

理解等级:中级

特征分解把方阵拆成一组特征向量与特征值:若 Ax=λx,则 x 是特征向量、λ 是对应的特征值,含义是 A 作用在该方向上只把向量缩放 λ 倍。把特征向量按列组成矩阵 Q、特征值排成对角矩阵 Λ,即可写成 A=QΛQ 的乘积形式;对实对称矩阵,Q 可取正交矩阵,得到实数特征分解,几何上就是把空间沿各特征向量方向拉伸相应倍数。它像质因数分解揭示整数性质一样,暴露出矩阵写成数组时看不出的函数性质:例如含零特征值意味着矩阵奇异,二次型在单位约束下的最大/最小值就是最大/最小特征值。边界是并非所有矩阵都能特征分解,有时需要复数;特征值有重复时分解也不唯一。

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2章 线性代数 · 查看原书依据

      正如我们可以通过分解质因数来发现整数的一些内在性质,我们也可以通过分解矩阵来发现矩阵表示成数组元素时不明显的函数性质。 特征分解 (eigendecomposition)是使用最广的矩阵分解之一,即我们将矩阵分解成一组特征向量和特征值。

    参考来源

    - 位置:《深度学习》第2章 线性代数(源文件:extracted/深度学习/_epub-src/text/part0000_split_001.html) - 结论依据:原文用整数质因数分解作类比引入特征分解,并说明它把矩阵分解成一组特征向量和特征值,用于揭示数组表示不明显的性质。 - 原始内容:正如我们可以通过分解质因数来发现整数的一些内在性质,我们也可以通过分解矩阵来发现矩阵表示成数组元素时不明显的函数性质。 特征分解 (eigendecomposition)是使用最广的矩阵分解之一,即我们将矩阵分解成一组特征向量和特征值。