今天和大家聊一个非常重要，在机器学习领域也广泛使用的一个概念——矩阵的特征值与特征向量。[1]
我们先来看它的定义，定义本身很简单，假设我们有一个n阶的矩阵A以及一个实数lambda，使得我们可以找到一个非零向量x，满足：
如果能够找到的话，我们就称lambda是矩阵A的特征值，非零向量x是矩阵A的特征向量。[2]
几何意义
光从上面的式子其实我们很难看出来什么，但是我们可以结合矩阵变换的几何意义，就会明朗很多。
我们都知道，对于一个n维的向量x来说，如果我们给他乘上一个n阶的方阵A，得到Ax。从几何角度来说，是对向量x进行了一个线性变换。变换之后得到的向量y和原向量x的方向和长度都发生了改变。
但是，对于一个特定的矩阵A来说，总存在一些特定方向的向量x，使得Ax和x的方向没有发生变化，只是长度发生了变化。我们令这个长度发生的变化当做是系数lambda，那么对于这样的向量就称为是矩阵A的特征向量，lambda就是这个特征向量对应的特征值。
求解过程
我们对原式来进行一个很简单的变形：
这里的I表示单位矩阵，如果把它展开的话，可以得到一个n元的齐次线性方程组。这个我们已经很熟悉了，这个齐次线性方程组要存在非零解，那么需要系数行列式
不为零，也就是系数矩阵的秩小于n。
我们将这个行列式展开：
这是一个以lambda为未知数的一元n次方程组，n次方程组在复数集内一共有n个解。我们观察上式，可以发现 lambda 只出现在正对角线上，显然，A的特征值就是方程组的解。因为n次方程组有n个复数集内的解，所以矩阵A在复数集内有n个特征值。
我们举个例子，尝试一下：
假设:
那么
我们套入求根公式可以得出使得 f(lambda) = 0 的两个根 lambda1 lambda2，有：
这个结论可以推广到所有的n都可以成立，也就是说对于一个n阶的方阵A，都可以得到：
案例
我们下面来看一个例子：
我们带入
可以得到：
使用Python求解特征值和特征向量
在我们之前的文章当中，我们就介绍过了Python在计算科学上的强大能力，这一次在特征值和特征矩阵的求解上也不例外。通过使用numpy当中的库函数，我们可以非常轻松，一行代码，完成特征值和特征向量的双重计算。
我们一起来看代码：
import numpy as np
a = np.mat([[3, 1], [1, 3]])
lam, vet = np.linalg.eig(a)
np.linalg.eig 方法会返回两个值，第一个返回值是矩阵的特征值，第二个返回值是矩阵的特征向量，我们看下结果：
这里的特征向量为什么是0.707呢？因为Python自动帮我们做好了单位化，返回的向量都是单位向量，不得不说实在是太贴心了。
总结
关于矩阵的特征值和特征向量的介绍到这里就结束了，对于算法工程师而言，相比于具体怎么计算特征向量以及特征值。理解清楚它们的概念和几何意义更加重要，因为这两者在机器学习的领域当中广泛使用，在许多降维算法当中，大量使用矩阵的特征值和特征向量。
对于降维算法的原理，这里不过多赘述，我们会在以后的文章当中更新相关内容。感兴趣的同学可以小小期待一下。
文章到这里就结束了，这也是线性代数专题的最后一篇文章，短短六篇文章当然不能涵盖线性代数这门学科当中的所有知识点，但实际当中常用的内容基本上已经都包括了。
今天的文章就到这里，如果觉得有所收获，请顺手点个关注或者转发吧，你们的支持是我最大的动力。
参考资料
[1]《线性代数-第五版》: 上海交通大学出版社。
[2] 程序员的数学2: 结城浩
,
