线性代数之六:特征值与特征向量
Posted zzulp
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了线性代数之六:特征值与特征向量相关的知识,希望对你有一定的参考价值。
6.1 特征值与特征向量
特征向量:若A为n阶方阵,如果存在一个非零向量x使得 Ax=λx ,则称标量 λ 为特征值(eigenvalue),称x为属于 λ 的特征向量(eigenvector)。
特征向量与零度空间:方程 Ax=λx 可以写为 (A−λI)x=0 ,因此 λ 为特征值的充要条件是方程有一非平凡解,也即零度空间 N(A−λI) 中不仅只有零解,其中任意非零向量均为属于 λ 的特征向量。子空间 N(A−λI) 称为对应于 λ 的特征空间。
特征方程 (A−λI)x=0 有非零解的充要条件是矩阵 A−λI 为奇异的,即 det(A−λI)=0 ,称此方程为特征方程。特征方程的根即A的特征值。如果方程有重根,且重根也计数,则特征方程恰有n个根,其中可能会有重复,也可能会是复数。
特征值的性质:
- 矩阵A的行列式的值为所有特征值的积
- 矩阵A的对角线元素和称为A的迹(trace)等于特征值的和
相似矩阵的特征值:若方阵A和B相似,则这两个矩阵有相同的特征多项式,且它们有相同的特征值。
使用numpy计算矩阵的特征值与特征向量:
import numpy as np
A=np.array([[3,2],[3,-2]])
w,v = np.linalg.eig(A)
print w #4,-3 特征值
print v #对应的特征向量[[ 0.89442719, -0.31622777],
[ 0.4472136 , 0.9486833 ]]
6.2 对角化
6.2.1 基本概念
定理:若 λ1,λ2,...,λk 为n阶矩阵A的不同特征值,相应的特征向量为 x1,x2,...,xk ,则 x1,x2,...,xk 线性无关。
可对角化:若存在一个非奇异的矩阵X和一个对角矩阵D,使用n阶方阵A满足
Ak=XDkX−1=X⎡⎣⎢⎢⎢⎢λk1λk2…λkn⎤⎦⎥⎥⎥⎥X−1
定理:方阵A是可对角化的,当且仅当A有n个线性无关的特征向量。
退化矩阵:若n阶方阵A有少于n个线性无关的特征向量,则A是退化的(defective),退化矩阵不可对角化。
6.2.2 马尔可夫链
马尔可夫过程:对一个试验,若其每一步的输出都取决于概率,则称为一个随机过程(stochastic process)。马尔可夫过程(Markov process)是随机过程,它有如下性质:
- 可能的输出集合或状态是有限的
- 下一步输出的概率仅依赖于前一步的输出
- 概率相对于时间是常数
马尔可夫链
状态之间的迁移概率可以表示为迁移矩阵A,其第i列表示由第i个状态向其他状态变迁的概率,A的每一列元素均为非负的,且和为1。
若初始状态集记为 x0 ,并记后续各次状态集为 xi ,则后续状态集可通过矩阵乘法计算得到: xi=Aix0 ,并称 xi 的序列是马尔可夫链。
定理:若一个马尔可夫链的转移矩阵为A,且其收敛到一个稳态向量x,则x为一个概率向量, λ=1 为其一个特征值,且x为属于这个特征值的特征向量。
定理:若马尔可夫链的转移矩阵A的其他特征值均不大于1,且存在 λ=1 ,称其主特征值(dominant eiganvalue),此时转移矩阵A可使用得马尔可夫链收敛到稳定向量。
马尔可夫过程的应用
PageRank算法将网页浏览过程看成马尔可夫过程,其转移矩阵A为n*n的,目前n超过200亿。
A的(i,j)元素表示从网站j到i的跳转概率(可由浏览历史统计出来),可证迁移矩阵存在稳态向量,随着浏览的进行最终可以达到惟一的稳态向量x,即到达某个站点k,向量中的元素 xk 的确定了网站k的整体分级。
进行网页搜索时,首先寻找所有和关键字匹配的网页,然后将这些网页按照它们的网页分级递减的顺序列出来。
6.2.3 矩阵指数
由实数的泰勒级数展开式:
ex=1+x+12!机器学习|数学基础Mathematics for Machine Learning系列之线性代数(16):方阵的特征值与特征向量