特徵值（Eigenvalue）

核心概念

特徵值是線性代數中描述線性變換的重要參數。它與特徵向量密切相關，共同揭示了線性變換的本質。一個矩陣可以有多個特徵值，每個特徵值對應一個或多個特徵向量。特徵值描述了線性變換在特徵向量方向上的縮放比例。如果特徵值為正，則表示向量在該方向上被拉伸；如果特徵值為負，則表示向量在該方向上被拉伸並反向；如果特徵值為0，則表示向量被壓縮到一個更低維度的空間。

運作原理

給定一個n×n的矩陣A，如果存在一個非零向量v和一個標量λ，使得以下等式成立：

Av = λv

那麼，λ就被稱為矩陣A的一個特徵值，v就被稱為對應於特徵值λ的特徵向量。

求解特徵值的步驟如下：

1. 將等式Av = λv變形為(A - λI)v = 0，其中I是n×n的單位矩陣。
2. 為了使等式(A - λI)v = 0有非零解，矩陣(A - λI)的行列式必須等於0，即det(A - λI) = 0。這個等式被稱為特徵方程。
3. 解特徵方程，得到矩陣A的所有特徵值λ。
4. 對於每個特徵值λ，解線性方程組(A - λI)v = 0，得到對應的特徵向量v。

實際應用

特徵值和特徵向量在許多領域都有廣泛的應用，包括：

• 主成分分析 (PCA): PCA是一種常用的降維技術，它通過計算資料的協方差矩陣的特徵值和特徵向量，找到資料中最重要的主成分。特徵值越大，對應的主成分包含的資訊越多。
• 圖像壓縮: 特徵值分解可以用於圖像壓縮。通過保留圖像矩陣中最大的幾個特徵值和對應的特徵向量，可以重建圖像，同時減少資料量。
• 網路分析: 在網路分析中，特徵向量可以用於計算節點的中心性。例如，PageRank演算法就是基於特徵向量的概念。
• 量子力學: 在量子力學中，特徵值代表了物理量（例如能量）的可能取值，而特徵向量代表了對應的狀態。
• 振動分析: 在工程領域，特徵值和特徵向量可以用於分析結構的振動特性。特徵值代表了結構的固有頻率，而特徵向量代表了結構的振動模式。
• 機器學習: 在機器學習中，特徵值和特徵向量被廣泛應用於降維、特徵提取和模型分析等方面。

常見誤區

• 誤區一：所有矩陣都有特徵值。 並非所有矩陣都有實數特徵值。只有方陣才有可能有特徵值，且特徵值可以是複數。對於實數矩陣，其特徵值可能是實數，也可能是複數。
• 誤區二：每個特徵值只對應一個特徵向量。 每個特徵值可能對應多個線性無關的特徵向量。這些特徵向量構成一個特徵空間。
• 誤區三：特徵向量必須是單位向量。 特徵向量的長度沒有限制，通常會將特徵向量歸一化為單位向量，以便於比較和計算。
• 誤區四：特徵值越大，對應的特徵向量越重要。 在某些應用中（例如PCA），特徵值的大小確實反映了對應特徵向量的重要性。但在其他應用中，特徵值的大小可能沒有直接的物理意義。
• 誤區五：特徵值分解和奇異值分解 (SVD) 是一樣的。 特徵值分解只能應用於方陣，而奇異值分解可以應用於任意矩陣。對於方陣，如果它是對稱矩陣，那麼它的特徵值分解和奇異值分解是等價的。