响应国家号召,在家撸码之React迁移记
今天和大家聊一个非常重要,在机器学习领域也广泛使用的一个概念——矩阵的特征值与特征向量。
我们先来看它的定义,定义本身很简单,假设我们有一个n阶的矩阵A以及一个实数\(\lambda\),使得我们可以找到一个非零向量x,满足:
\[Ax=\lambda x\]
如果能够找到的话,我们就称\(\lambda\)是矩阵A的特征值,非零向量x是矩阵A的特征向量。
几何意义
光从上面的式子其实我们很难看出来什么,但是我们可以结合矩阵变换的几何意义,就会明朗很多。
我们都知道,对于一个n维的向量x来说,如果我们给他乘上一个n阶的方阵A,得到Ax。从几何角度来说,是对向量x进行了一个线性变换。变换之后得到的向量y和原向量x的方向和长度都发生了改变。
但是,对于一个特定的矩阵A来说,总存在一些特定方向的向量x,使得Ax和x的方向没有发生变化,只是长度发生了变化。我们令这个长度发生的变化当做是系数\(\lambda\),那么对于这样的向量就称为是矩阵A的特征向量,\(\lambda\)就是这个特征向量对应的特殊值。
求解过程
我们对原式来进行一个很简单的变形:
\[(A-\lambda I)x = 0\]
这里的I表示单位矩阵,如果把它展开的话,可以得到一个n元的齐次线性方程组。这个我们已经很熟悉了,这个齐次线性方程组要存在非零解,那么需要系数行列式
\[|A-\lambda I|\]
不为零,也就是系数矩阵的秩小于n。
我们将这个行列式展开:
\[ \left| \begin{matrix} a_{11}-\lambda & a_{12} & \cdots & a_{1n} \\ a_{21} & a_{22} – \lambda & \cdots & a_{2n} \\ \vdots & \vdots & & \vdots \\ a_{n1} & a_{n2} & \cdots & a_{nm} – \lambda \end{matrix} \right| \]
这是一个以\(\lambda\)为未知数的一元n次方程组,n次方程组在复数集内一共有n个解。我们观察上式,可以发现\(\lambda\)只出现在正对角线上,显然,A的特征值就是方程组的解。因为n次方程组有n个复数集内的解,所以矩阵A在复数集内有n个特征值。
我们举个例子,尝试一下:
假设:
\[ A=\left[ \begin{matrix} a_{11}-\lambda & a_{12} \\ a_{21} & a_{22}-\lambda \\ \end{matrix} \right] \]
那么\(f(\lambda)=(a_{11}-\lambda)(a_{22}-\lambda)-a_{12}a_{21}=\lambda^2-(a_{11}+a_{22})\lambda-|A|\),我们套入求根公式可以得出使得\(f(\lambda)=0\)的两个根\(\lambda_1, \lambda_2\),有:\(\lambda_1+\lambda_2=a_{11}+a_{22},\quad \lambda_1\lambda_2=|A|\)。
这个结论可以推广到所有的n都可以成立,也就是说对于一个n阶的方阵A,都可以得到:
- \(\lambda_1+\lambda_2+\cdots+\lambda_n=a_{11}+a_{22}+\cdots+a_{nn}\)
- \(\lambda_1\lambda_2\cdots\lambda_n=|A|\)
案例
如何快速融入团队并成为团队核心(四)
我们下面来看一个例子:
\[A=\left[ \begin{matrix} 3 & 1 \\ 1 & 3 \end{matrix} \right]\]
我们带入\((A-\lambda I)x=0\),可以得到:
\[ \left| \begin{matrix} 3-\lambda & 1 \\ 1 & 3 – \lambda \end{matrix} \right|=0 \]
所以: \((3-\lambda)^2 – 1 = 0\),可以看出来\(\lambda_1=2, \quad \lambda_2=4\)
当\(\lambda=2\)时:
\[ \left[ \begin{matrix} 3 & 1\\ 1 & 3 \end{matrix} \right]x = 2x \]
\[ \left[ \begin{matrix} 3 & 1\\ 1 & 3 \end{matrix} \right][a_1, a_2]^T = [2a_1, 2a_2]^T \]
\[ \begin{aligned} 3a_1 + a_2 &= 2a_1 \\ a_1 + 3a_2 &= 2a_2 \end{aligned} \]
解之,可以得到:\(a_1+a_2=0\),所有\((x, -x)\)向量都是A的特征向量。
同理,当\(\lambda = 4\)时:
\[ \begin{aligned} \left[ \begin{matrix} 3 & 1\\ 1 & 3 \end{matrix} \right]x &= 4x \\ \left[ \begin{matrix} 3 & 1\\ 1 & 3 \end{matrix} \right][a_1, a_2]^T &= [4a_1, 4a_2]^T \\ 3a_1 + a_2 &= 4a_1 \\ a_1 + 3a_2 &= 4a_2 \end{aligned} \]
解之,可以得到:\(a_1=a_2\),所有\((x, x)\)向量都是A的特征向量。
使用Python求解特征值和特征向量
在我们之前的文章当中,我们就介绍过了Python在计算科学上的强大能力,这一次在特征值和特征矩阵的求解上也不例外。通过使用numpy当中的库函数,我们可以非常轻松,一行代码,完成特征值和特征向量的双重计算。
我们一起来看代码:
import numpy as np
a = np.mat([[3, 1], [1, 3]])
lam, vet = np.linalg.eig(a)
np.linalg.eig 方法会返回两个值,第一个返回值是矩阵的特征值,第二个返回值是矩阵的特征向量,我们看下结果:
这里的特征向量为什么是0.707呢?因为Python自动帮我们做好了单位化,返回的向量都是单位向量,不得不说实在是太贴心了。
总结
关于矩阵的特征值和特征向量的介绍到这里就结束了,对于算法工程师而言,相比于具体怎么计算特征向量以及特征值。理解清楚它们的概念和几何意义更加重要,因为这两者在机器学习的领域当中广泛使用,在许多降维算法当中,大量使用矩阵的特征值和特征向量。
对于降维算法的原理,这里不过多赘述,我们会在以后的文章当中更新相关内容。感兴趣的同学可以小小期待一下。
文章到这里就结束了,这也是线性代数专题的最后一篇文章,短短六篇文章当然不能涵盖线性代数这门学科当中的所有知识点,但实际当中常用的内容基本上已经都包括了。下周我们将开始全新的Python专题,希望大家多多期待。
如果觉得有所收获,请顺手点个关注或者转发吧,你们的支持是我最大的动力。
概率统计丨陈希孺《概率论与数理统计》思维导图