AITerms 登入
數學基礎機器學習資料處理

特徵值(Eigenvalue)是什麼?

特徵值是線性變換作用於向量後,該向量長度縮放的比例。它描述了變換對特定方向向量的影響程度。

完整定義

特徵值(Eigenvalue)是線性代數中的一個重要概念。對於給定的線性變換,特徵值代表了該變換作用於某個非零向量(特徵向量)後,向量長度縮放的比例。換句話說,特徵值描述了線性變換在特定方向上的變形程度。特徵值可以是實數或複數。

白話說明

你有沒有看過一個向量經過矩陣變換後,只是被拉長或縮短,方向卻沒變?

你可以把它想成,矩陣對某些特殊方向有固定的縮放倍數,而這個倍數就是特徵值。

特徵值常拿來看系統會不會越跑越大、PCA 裡哪個方向最重要,或一個線性變換到底在「放大」什麼。

記住這句

特徵向量定方向,特徵值定倍率。

比喻:特徵值 就像一個魔法師對特定方向的物件施展「變大縮小咒」時,這個咒語讓物件變大或縮小的「倍率」-- 它告訴你物件在這個方向上會被拉長還是縮短。

容易混淆

特徵值 vs 特徵向量

特徵向量是那個特殊方向的向量。

特徵值是沿著這個方向被放大或縮小的倍數。

最關鍵的區別:一個是方向,一個是倍率。

特徵值 vs 奇異值

特徵值來自方陣的線性變換性質。

奇異值分解可以處理更廣的矩陣,不一定要方陣。

最關鍵的區別:適用的矩陣類型不同。

特徵值 vs 一般縮放因子

一般縮放因子會對所有方向做同樣處理。

特徵值只描述特定特徵方向上的倍率。

最關鍵的區別:是不是只對某個方向成立。

實際案例

PCA 做降維時

資料投影到主成分方向後,特徵值越大,代表那個方向保留的資訊越多。

Before:只看原始欄位。After:先看特徵值大小,挑最有資訊的方向。

分析系統穩定性時

如果某個特徵值的絕對值很大,系統在那個方向上可能會快速放大。

Before:只看輸入輸出。After:看矩陣的特徵值,判斷是不是會發散。

演算法與應用

求特徵值通常是解 det(A - λI) = 0,這會得到可能的 λ。

對稱矩陣的特徵值一定是實數,一般矩陣則可能出現複數。

在機器學習裡,它常出現在 PCA、矩陣分析、動態系統與圖論。

情境判斷

Q1(直覺題): 如果一個矩陣作用在某個向量上,向量方向完全不變,只是長度變了,這代表什麼?

那個向量就是特徵向量,變長或變短的倍率就是特徵值。

Q2(判斷題): 一個一般矩陣的特徵值一定是實數嗎?

看情況。對稱矩陣通常是實數,但一般矩陣可能出現複數特徵值,所以不能直接假設。

常見問題

出現在這些考古題

官方公告試題的逐題解析裡,這 2 題把特徵值列為延伸術語。

相關術語

本頁內容有提到,或屬於同一組主題的術語

來源

參考來源:en.wikipedia.org

其他格式:Markdown 版本