特徵向量（Eigenvector）

核心概念

特徵向量是線性代數中描述線性變換的重要參數。它與特徵值密切相關，共同揭示了線性變換的本質。一個矩陣可以有多個特徵向量，每個特徵向量對應一個或多個特徵值。特徵向量描述了線性變換作用後，方向不變或僅反向的向量。特徵向量是線性變換的一個重要不變量。

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，v就被稱為對應於特徵值λ的特徵向量，λ就被稱為矩陣A的一個特徵值。

求解特徵向量的步驟如下：

1. 計算矩陣A的特徵值λ。
2. 對於每個特徵值λ，解線性方程組(A - λI)v = 0，其中I是n×n的單位矩陣。
3. 線性方程組(A - λI)v = 0的解空間就是對應於特徵值λ的特徵空間。特徵空間中的任何非零向量都是對應於特徵值λ的特徵向量。
4. 通常會將特徵向量歸一化為單位向量，以便於比較和計算。

實際應用

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。特徵向量代表了主成分的方向。
• 圖像壓縮: 特徵向量可以用於圖像壓縮。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。特徵向量代表了圖像的主要結構。
• 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。特徵向量代表了節點的重要性。
• 量子力學: 在量子力學中，特徵向量代表了物理量（例如能量）的本徵態，而特徵值代表了對應的物理量的可能取值。
• 振動分析: 在工程領域，特徵向量可以用於分析結構的振動特性。特徵向量代表了結構的振動模式。
• 機器學習: 在機器學習中，特徵向量被廣泛應用於降維、特徵提取和模型分析等方面。

例如，在人臉辨識中，可以使用特徵臉 (Eigenfaces) 方法。該方法通過計算人臉圖像的協方差矩陣的特徵向量，得到一組代表人臉主要特徵的特徵臉。這些特徵臉可以用於人臉辨識和人臉重建。

常見誤區

• 誤區一：特徵向量是唯一的。 對於一個特定的特徵值，存在無窮多個特徵向量，它們構成一個特徵空間。特徵空間中的任何非零向量都是對應於該特徵值的特徵向量。
• 誤區二：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。歸一化後的特徵向量仍然是特徵向量。
• 誤區三：特徵向量一定是線性無關的。 對應於不同特徵值的特徵向量一定是線性無關的。但是，對應於同一個特徵值的特徵向量可能線性相關，也可能線性無關。線性無關的特徵向量構成特徵空間的基底。
• 誤區四：特徵向量可以隨意選擇。 特徵向量的選擇受到特徵值的限制。每個特徵向量必須對應於一個特定的特徵值。不能隨意選擇一個向量作為特徵向量。
• 誤區五：特徵向量分解和奇異值分解 (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。奇異值分解得到的奇異向量與特徵向量的概念類似，但適用範圍更廣。