Власні Значення та Вектори: Напрямки, в яких Матриця не Обертається

Круг стає еліптикою

Візьміть одиничне коло – кожна точка, що знаходиться рівно в одну одиницю від початку координат – і застосуйте будь-яку матрицю 2×2 до кожної точки на ньому. Результатом завжди буде еліпс (можливо, перетвориться на пряму лінію у спеціальних випадках). Це справді нетривіальний геометричний факт: будь-яка лінійна карта потенційно могла б виробляти всі sorts of форми, але лінійність так тісно обмежує її, що образ кола доводиться завжди еліптичним, незалежно від обраної матриці. Власні значення та власні вектори – це точна мова для опису того, яку саме еліпсу ви отримаєте.

Напрямки, які не повертаються

Звичайний вектор, перетворений матрицею, змінює як свою довжину, так і напрямок – він обертається, а також розтягується. Вектори власні – це особливе виключення: нескінченна лінія напрямку, яка зазнає лише масштабування, ніколи не відхиляється від своєї лінії. Коефіцієнт масштабування для цього конкретного напрямку є його власним значенням:

A · v = λ · v A = матриця (перетворення) v = вектор власної величини (недорівнює нулю; напрямок, а не певна довжина) λ = відповідне власне значення (коефіцієнт розтягування вздовж цього напрямку) Для загальної 2x2 матриці існує зазвичай рівно дві незалежні спрямованості векторів власної величини, і – це геометрична винагорода – вони точно є осями еліпса, який відтворює перетворений одиничний коло. Власні значення є довжинами піввісей цього еліпса: довша вісь має довжину, рівну абсолютній величині більшого власного значення, а коротша – менше. Точка, що починається на одиничному колі вздовж напрямку вектора власної величини, потрапляє точно у вершину відповідної осі еліпса; будь-яка інша точка на колі потрапляє десь на кривій межі еліпса, зазнавши як розтягування, так і обертання.

A · v = λ · v

A = the matrix (the transformation)
v = an eigenvector (nonzero; a direction, not a specific length)
λ = the corresponding eigenvalue (the stretch factor along that direction)

Пошук їх: характеристичне рівняння

Переставляючи Av = λv як (A - λI)v = 0, ми бачимо, що нескінцезна розв’язка v існує лише тоді, коли матриця A - λI є невизначеною — її визначник дорівнює нулю. Для матриці 2×2 це дає квадратичну рівняння відносно λ, характеристичне рівняння:

A = [[a, b], [c, d]] визначник(A - λI) = 0 (a-λ)(d-λ) - bc = 0 λ² - (a+d)·λ + (ad-bc) = 0 тобто λ² - trace(A)·λ + det(A) = 0 λ = [ trace(A) ± sqrt( trace(A)² - 4·det(A) ) ] / 2 Два корені цього квадратичного рівняння є двома власними осями, які можна обчислити лише з використанням траси (суми діагональних елементів) та визначника матриці — не потрібно працювати з окремими елементами, коли ці дві цифри відомі. Отримавши власне число λ, підставляючи його назад у (A - λI)v = 0 і розв’язуючи для v, отримаємо відповідний напрямок власним вектором.

A = [[a, b], [c, d]]

det(A - λI) = 0
(a-λ)(d-λ) - bc = 0
λ² - (a+d)·λ + (ad-bc) = 0        i.e.  λ² - trace(A)·λ + det(A) = 0

λ = [ trace(A) ± sqrt( trace(A)² - 4·det(A) ) ] / 2

Коли визначник стає від’ємним: поворот перемага

Визначник під коренем квадратним, trace(A)² - 4·det(A), може бути від’ємним — і коли він це, власні значення є комплексно-спряженою парою замість двох дійсних чисел. Геометрично це відбувається точно тоді, коли перетворення домінує поворот: наприклад, матриця чистого повороту 90° не має жодного дійсного власного вектора, оскільки будь-який дійсний вектор у площині справді обертається — немає жодної напрямної, яка б могла служити віссю. У цьому режимі зображення "еліпса, простежене трансформованою колом" все ще технічно застосовується (поворот відображає одиничне коло на себе), але інтуїтивне уявлення про реальні осі розтягування руйнується, і комплексні власні значення замість цього кодують кут повороту та будь-яке супроводжуюче масштабування.

Симметричні матриці: завжди дійсні, завжди перпендикулярні

Особливий випадок має величезне значення на практиці: якщо A симетрична (b = c), теорема спектру гарантує, що її власні значення завжди дійсні, а її власні вектори завжди взаємоперпендикулярні, без виключень. Це саме той випадок, який використовується в аналізі головних компонент (PCA): коваріаційна матриця набору даних за конструкцією є симетричною, тому її власні вектори — головні компоненти — утворюють перпендикулярний набір осей, що вказують у напрямках найбільшого та найменшого розбігу в даних, а власні значення дорівнюють кількості розбіжності, захопленій вздовж кожної з них. Це одна й та ж картина «еліпс і осі», просто застосована до розподілу хмар даних замість одиничного кола, тому PCA часто представляється візуально як «підганяйте найкращий еліпс до своїх даних і прочитайте його осі».

Часті запитання

Спробуйте наживо

Усе, що вище, працює прямо у вашому браузері — відкрийте Eigenvalues і змінюйте параметри під час роботи. Нічого не встановлюється, нічого не завантажується на сервер, уся модель живе в одній вкладці.