完整定義
特徵向量(Eigenvector)是線性代數中的一個重要概念。對於給定的線性變換,特徵向量是指在該變換下,方向保持不變或僅反向的非零向量。每個特徵向量都對應於一個特定的特徵值,該特徵值描述了變換對該特徵向量的縮放比例。特徵向量代表了線性變換的主要作用方向。
白話說明
你有沒有想過,為什麼有些向量被矩陣一乘,方向竟然不變?
你可以把它想成,這個向量剛好站在變換的特殊方向上,所以只會被拉長或縮短,不會歪掉。
特徵向量很重要,因為它幫你找到線性變換最穩定、最有代表性的方向,PCA、影像分析、矩陣分解都會用到。
記住這句
方向不變的向量,就是特徵向量。
比喻:特徵向量 就像一條河流中的「主流」方向 -- 無論水流怎麼變化,這條主流的方向始終不變,只是流速可能變快或變慢。
容易混淆
特徵向量 vs 一般向量
一般向量經過變換後,方向和長度都可能變。
特徵向量只會變長短,方向保持不變或反向。
最關鍵的區別:方向有沒有被保住。
特徵向量 vs 主成分
主成分通常是資料協方差矩陣的特徵向量。
特徵向量是線性代數概念,主成分是統計分析裡的應用名稱。
最關鍵的區別:一個是數學物件,一個是應用角色。
特徵向量 vs 嵌入向量
嵌入向量是學出來的語義表示。
特徵向量是線性變換下保持方向不變的向量。
最關鍵的區別:一個代表語義,一個代表變換性質。
實際案例
做人臉辨識的特徵臉
把人臉影像做矩陣分析後,可以找出代表主要臉部變化方向的特徵向量。
Before:每張臉都看成一堆像素。After:先找出最有代表性的方向,再做辨識。
做降維分析
若你把資料投影到特徵向量上,就能抓到資料最有結構的方向。
Before:高維資料很亂。After:用特徵向量把最重要的方向挑出來。
演算法與應用
特徵向量通常要搭配特徵值一起找,常見做法是解方程 (A - λI)v = 0。
解空間中的非零向量就是對應的特徵向量,可能不只一個。
在資料分析裡,它常是 PCA、臉部辨識、圖嵌入與矩陣分解的基礎。
情境判斷
Q1(直覺題): 如果某個向量經過變換後只改變長度、方向不變,這個向量是什麼?
它是特徵向量,而長度改變的倍率由特徵值描述。
Q2(判斷題): 每個矩陣都一定有很多特徵向量嗎?
看情況。要看矩陣型態與定義域,實際上不一定每次都能得到漂亮的實數特徵向量集合。
常見問題
先求出特徵值,再解 (A - λI)v = 0;解空間中的非零向量就是特徵向量。
它代表變換最穩定的方向,也通常是資料裡最有結構的方向。
會。像 Eigenfaces 這類方法,就是先從人臉資料裡找出特徵向量,再拿來做辨識。
出現在這些考古題
官方公告試題的逐題解析裡,這 1 題把特徵向量列為延伸術語。
相關術語
來源
這個術語目前沒有標註外部來源。
其他格式:Markdown 版本