❤️特征值与特征向量
特征向量：一个向量经过线性变换，仍留在它所张成的空间中
特征值：描述特征向量经过线性变换后的缩放程度
❤️求解特征向量就是寻找非零向量 [公式] 使得 [公式]
❤️求解特征值就是寻找一个 [公式] 使得 [公式]
❤️当特征向量的数量足够多时，这些特征向量就可以构成特征基。利用特征基可以简化矩阵的幂次计算。
特征向量：一个向量经过线性变换，仍留在它所张成的空间中
特征值：描述特征向量经过线性变换后的缩放程度
大部分的向量经过线性变换都离开了它所张成的空间。 如图中黄色的向量经过线性变换[公式] ，离开了它所张成的通过原点的直线张成的空间。
但是也有一部分向量留在了它所张成的空间，这样线性变换起到的作用就是压缩或者拉升如：
特别的，对于[公式] 经过线性变换 [公式] ，相当于将该向量拉升了两倍。
线性变换暗示一点，对于处在它所在的对角线上的任何向量也仅被拉伸了2倍。
他们的共同点就是线性变换后留在了原来向量所张成的线性空间里边，对于其他的向量则离开他原来张成的向量空间
因此将这些特殊的向量称为“特征向量”，每个特征向量都有一个对应的值，称为“特征值”，目的是衡量特征向量经过变换后的压缩或者拉伸因子。
特征值可以为负。
对于三维空间中的旋转，如果能够找到对应的特征向量，也即能够留在它所张成的空间中的向量，那么就意味着我们找到了旋转轴。特别地，这就意味着将一个三维旋转看成绕这个特征向量旋转一定角度，要比考虑相应的矩阵变换要直观。
此时对应的特征值为1，因为旋转并不改变任何一个向量，所以向量的长度保持不变。
理解线性变换作用，如果采用矩阵的列可以看做变换后的基向量，这就依赖于特定的坐标系。为了减少对坐标系的依赖，更好的办法就是求出对应的特征向量与特征值。
可以看得出，线性变换的理解与矩阵乘法的理解是一致的。 矩阵乘法的作用效果就是将任意向量乘以[公式] 。这个矩阵的列代表着变换后的基向量。
下一步就是：将等式左右两侧都转化为矩阵向量乘积的形式
这样就是寻找一个向量 [公式] 使得这个新矩阵 [公式] 相乘的结果等于0
显然，[公式] 恒成立，但是我们要寻找的是非零解。 基于行列式的知识，就是相当于求 [公式], 当且仅当矩阵所代表的线性变换将空间压缩到更低的维度时，才会存在一个非零向量，使得矩阵与它的乘积为零向量.
对于行列式[公式] , 不断的调整 [公式] 的值，矩阵本身发生变化，因此行列式的值也变化。在改变目 [公式] 的过程中，寻找一个 [公式] 使得这个行列式的值为0.
二维线性变换不一定有特征向量。（没有实数解表明他没有特征向量） 如：逆时针旋转90度变换，向量离开了原始张成的特征空间。
而我们尝试求解其特征值：
与 [公式] 相乘在复平面中表示为90度旋转，这和 [公式] 是这个二维实向量旋转变换的特征值有所关联。值得注意的一点就是，特征值出现负数的情况一般对应于变换中的某一种旋转。
属于单个特征值的特征向量有可能不在直线上，如果特征向量的数量足够多，就能够张成空间。
可以看到几何上得出的特征值与数值计算得出的向量值是一致的。对于单个特征值，却存在无数的特征向量。但是这些向量张不成二维空间。
矩阵[公式]，相当于将空间中所有的向量拉伸2倍，它仅存在唯一的特征值2，但平面内任意一个向量都属于这个特征值的特征向量。
对于对角矩阵，除对角元以外其他元素均为0的矩阵被称为对角矩阵
对于对角矩阵，所有基向量都是特征向量，对角元素就是所属的特征值。
非对角阵，计算100次，噩梦一场。
不是所有矩阵都能对角化，如剪切变换，它的特征向量不够多，不能够张成全空间。事实上，如果你能找到对应的特征基，矩阵运算就会变得特别轻松。
基向量恰巧是特征向量，将会发生什么？利用特征向量可以将矩阵进行对角化。 对于有的变换有许多特征向量，多到能选出一个张成全空间的集合。
这样就能变换你的坐标系，其中这些特征向量就是基向量。
取出你想用做新基的向量（特征向量[公式]）的坐标，然后将基向量按一定顺序构成矩阵的列，形成的这个矩阵就是“基变换矩阵”，
这样所得的矩阵代表同一个变换，只不过是从新基向量所构成的坐标系的角度来看的。
用线性无关的特征向量来完成这件事情的意义在于：最终变换的矩阵必然是对角阵，且对角元就是对应的特征向量。这是因为它处坐标系的基向量在变换中仅仅进行了缩放
特征值对应的所有的特征向量构成的集合被称为一个“特征基”
计算[公式] ,一个更加容易的做法就是先变换到特征基，在那个坐标系计算100次，然后转换回标准坐标系。具体做法如下：
[公式]
线性代数的本质(10)-特征值与特征向量
二维线性变换不一定有特征向量。（没有实数解表明他没有特征向量） 如：逆时针旋转90度变换，向量离开了原始张成的特征空间。而我们尝试求解其特征值：与 [公式] 相乘在复平面中表示为90度旋转，这和 [公式] 是这个二维实向量旋转变换的特征值有所关联。值得注意的一点就是，特征值出现负数的情况一般...
线性代数的本质(10)-特征值与特征向量
在深入理解线性代数的奥秘中，我们探讨了线性变换的两种核心概念——特征向量和特征值。它们就像坐标系中的指南针，既揭示了变换的本质，又为我们简化了矩阵计算。特征向量与特征值的定义 特征向量，如同不变的坐标轴，即使经过矩阵变换，它们依然保持在原线性空间内。它们的特性在于，变换后只进行尺度的变化...
如何形象地理解特征值和特征向量
变换前后方向不变的向量即为特征向量。也可以将线性变换理解为沿着特征向量进行的伸缩。特征向量长度的变化倍数就是特征值。直观的视频： 【熟肉】线性代数的本质 - 10 - 特征向量与特征值 另一份笔记
线性代数之旅:特征值和特征向量
一旦找到特征值，我们可以通过将每个特征值代入方程 (A - λI)v = 0 来计算相应的特征向量。这通常涉及到解一个线性方程组。通过这个计算过程，我们不仅能够找到矩阵的特征值和特征向量，还能更深入地理解矩阵作为线性变换的本质。特征值和特征向量不仅在数学理论中占有重要位置，在多个科学和工程领域中...
线性代数复数特征值与特征向量的几何解释是什么?
先求出特征值，但特征向量才是更本质的东西！比如平面上的一个变换，把一个向量关于横轴做镜像对称变换，即保持一个向量的横坐标不变，但纵坐标取相反数，把这个变换表示为矩阵就是[1 0;0 -1]，其中分号表示换行，显然[1 0;0 -1]*[a b]'=[a -b]',其中上标'表示取转置，这正是我们想要...
线性代数的本质
特征向量与特征值的计算对理解矩阵操作至关重要。特征向量与特征值提供了线性代数的工具，用于计算矩阵幂次等操作。矩阵的特征值和特征向量揭示了矩阵操作的内在性质，对对角化矩阵计算幂次特别有用。理解特征向量和特征值对于深入学习线性代数及其应用至关重要。
什么是特征值、特征值向量?
从定义出发，Ax=cx：A为矩阵，c为特征值，x为特征向量。矩阵A乘以x表示，对向量x进行一次转换（旋转或拉伸）（是一种线性转换），而该转换的效果为常数c乘以向量x（即只进行拉伸）。通常求特征值和特征向量即为求出该矩阵能使哪些向量（当然是特征向量）只发生拉伸，使其发生拉伸的程度如何（特征值...
什么是特征值和特征向量
特征向量是一个非简并的向量，在这种变换下其方向保持不变。该向量在此变换下缩放的比例称为其特征值（本征值）。特征值是线性代数中的一个重要概念。线性变换通常可以用其特征值和特征向量来完全描述。特征空间是一组特征值相同的特征向量。“特征”一词来自德语的eigen。希尔伯特在1904年第一次用这个...
特征值和特征向量有何关系?
特征向量是非零向量，它被矩阵对应的线性变换所拉伸的倍数就是特征值。因此，特征向量和特征值是密切相关的，特征值告诉我们特征向量在矩阵对应线性变换中的行为表现。在矩阵中找到特征向量，必须先知道特征值，并且每个特征值都对应或多个特征向量。因此，特征值和特征向量是线性代数中的基本概念，在很多...
直观线性代数之特征值是怎么回事
本文将从直观角度解释线性代数中重要的概念——特征值与特征向量。特征值与特征向量是理解矩阵变换本质的关键。想象一个矩阵像一把剪刀，将空间中的向量剪裁成特定的比例和方向。特征值即代表了剪裁后的向量长度变化的比例，而特征向量则是剪裁方向。首先，以实数特征值为例，如对称实矩阵，其特征向量正交...
