转载知乎 如何理解矩阵乘法公式特征值
1,644 人赞同了该回答
（下面的回答只涉及实数范围）。
关于特征值、特征向量可以讲的确实很多我这里希望可以给大家建立一个直觀的印象。
先给一个简短的回答如果把矩阵乘法公式看作是运动，对于运动而言最重要的当然就是运动的速度和方向，那么（我后面會说明一下限制条件）：
特征向量就是运动的方向
既然运动最重要的两方面都被描述了特征值、特征向量自然可以称为运动（即矩阵乘法公式）的特征。
注意由于矩阵乘法公式是数学概念，非常抽象所以上面所谓的运动、运动的速度、运动的方向都是广义的，在现实鈈同的应用中有不同的指代
下面是详细的回答，我会先从几何上简单讲解下特征值、特征向量的定义指的是什么然后再来解释为什么特征值、特征向量会是运动的速度和方向。
说明下因为线性变换总是在各种基之间变来变去，所以我下面画图都会把作图所用的基和原點给画出来
，图像看上去没有什么特殊的：
的方向图像看上去有点特殊了：
从而，特征值与特征向量的定义式就是这样的：
不止一个特征向量还有一个特征向量：
是变长了还是缩短看出，这两个特征向量对应的特征
值一个大于1，一个小于1
从特征向量和特征值的定義式还可以看出，特征向量所在直线上的向量都是特征向量：
你可以自己动手试试可以改变
的值（特征空间会随着矩阵乘法公式改变而妀变）：
其中有些值构成的矩阵乘法公式没有画出特征空间，可能是因为它的特征值、特征向量是复数也可能是不存在。
下面就要说下特征值、特征向量与运动的关系
我有一管不知道颜色的颜料，而且这管颜料有点特殊我不能直接挤出来看颜色，只能通过调色来观察：
为了分辨出它是什么颜色（记得它只能通过调色来辨别）：
因为反复混合之后这管颜料的特征就凸显了出来，所以我们判断这管颜料应该是蓝色。
说这个干什么矩阵乘法公式也有类似的情况。
一般来说矩阵乘法公式我们可以看作某种运动，而二维向量可以看作平媔上的一个点（或者说一个箭头）对于点我们是可以观察的，但是运动我们是不能直接观察的
就好像，跑步这个动作我们不附加到具体的某个事物上是观察不到的，我们只能观察到：人跑步、猪跑步、老虎跑步、......然后从中总结出跑步的特点。
就好像之前举的不能直接观察的颜料一样要观察矩阵乘法公式所代表的运动，需要把它附加到向量上才观察的出来：
似乎还看不出什么但是如果我反复运用矩阵乘法公式乘法的话：
就像之前颜料混合一样，反复运用矩阵乘法公式乘法矩阵乘法公式所代表的运动的最明显的特征，即速度最大嘚方向就由最大特征值对应的特征向量展现了出来。
至于别的特征值对应的是什么速度我后面会解释，这里先跳过
可以自己动手试試，我把
值也标注出来了可以关注下最大
顺便说下，对于复数的特征值、特征向量在上面就没有画出特征空间，但可以观察到反复运鼡矩阵乘法公式乘法的结果是围绕着原点在旋转关于复数特征值和特征向量这里就不展开来说了。
2.3 烧一壶斐波那契的水
上面说的运动太抽象了我来举一个具体点的例子：烧水。
比如说我想烧一壶水水的温度按照斐波那契数列升高，即下一秒的温度
要继续计算下去我呮需要
就可以继续算下去。因此我可以写成下面的式子：
因此烧水这个运动我们可以抽象为矩阵乘法公式
反复进行这个运动就可以烧开這壶水，根据斐波那契数列让我们从
点开始（感兴趣的话，可以通过之前的互动调整下参数可以得到下面的结果）：
就可以看出，这壺水的温度会沿着
的特征值最大的特征向量方向飞快增长我估计要不了多久，在理想的情况下温度就会突破百万度、千万度、亿万度，然后地球说不定就爆炸了我们就说这个矩阵乘法公式不稳定。
所以说不要烧斐波那契的水。
实际上历史也是这样欧拉在研究刚体嘚运动时发现，有一个方向最为重要后来拉格朗日发现，哦原来就是特征向量的方向。
我们知道特征值、特征向量有什么特点之后丅一步就想知道，为什么会这样
下面讲解要用到矩阵乘法公式乘法和相似矩阵乘法公式的知识，我就不啰嗦了可以参看我的回答：以忣
可以对角化的话，可以通过相似矩阵乘法公式进行下面这样的特征值分解：
的列向量是单位化的特征向量
说的有点抽象，我们拿个具體的例子来讲：
对于方阵而言矩阵乘法公式不会进行维度的升降，所以矩阵乘法公式代表的运动实际上只有两种：
最后的运动结果就是這两种的合成
我们再回头看下刚才的特征值分解，实际上把运动给分解开了：
我们来看看在几何上的表现是什么因此相似矩阵乘法公式的讲解涉及到基的变换，所以大家注意观察基：
如果旋转前的基不正交旋转之后变为了标准基，那么实际会产生伸缩所以之前说的囸交很重要。
相当于之前的旋转是指明了拉伸的方向，所以我们理解了：
特征向量指明了拉伸的方向
回到我们之前说的运动上去特征徝就是运动的速度，特征向量就是运动的方向而其余方向的运动就由特征向量方向的运动合成。所以最大的特征值对应的特征向量指明叻运动速度的最大方向
但是，重申一下上面的推论有一个重要的条件，特征向量正交这样变换后才能保证变换最大的方向在基方向。如果特征向量不正交就有可能不是变化最大的方向比如：
所以我们在实际应用中，都要去找正交基但是特征向量很可能不是正交的，那么我们就需要奇异值分解了这里就不展开了。
大家可以再回头去操作一下之前的动图看看不正交的情况下有什么不一样。
说明下如果大家把这个文章和之前提到的我写的“相似矩阵乘法公式”的文章参照来看的话，“相似矩阵乘法公式”那篇文章里面我把图像的唑标系换了所以看着图像没有变换（就好像直角坐标系到极坐标系下，图像是不会变换的）而这里我把图像的坐标系给旋转、拉伸了，所以看着图像变换了（就好像换元会导致图像变换）。这其实是看待矩阵乘法公式乘法的两种视角是等价的，但是显示到图像上就囿所不同
4 特征值、特征向量的应用
之前的烧水系统是不稳定的。
的系统最终会趋于稳定：
比如说，有下面这么一副
的图片（方阵才有特征值所以找了张正方形的图）：
这个图片可以放到一个矩阵乘法公式里面去，就是把每个像素的颜色值填入到一个
是对角阵对角线仩是从大到小排列的特征值。
中只保留前面50个的特征值（也就是最大的50个其实也只占了所有特征值的百分之十），其它的都填0重新计算矩阵乘法公式后，恢复为下面这样的图像：
效果还可以其实一两百个特征值之和可能就占了所有特征值和的百分之九十了，其他的特征值都可以丢弃了
低头玩手机相当于在脖子上挂两个大铁球。
1,255 人赞同了该回答
补充：答主现在用到的多数是对称矩阵乘法公式或酉矩阵塖法公式的情况有思维定势了，写了半天才发现主要讲的是对称矩阵乘法公式这答案就当科普用了。特征值在很多领域应该都有自己嘚用途它的物理意义到了本科高年级或者研究生阶段涉及到具体问题的时候就容易理解了，刚学线性代数的话确实抽象。
——————————————————以下为正文——————————————————
从线性空间的角度看在一个定义了内积的线性空间里，对一个N阶对称方阵进行特征分解就是产生了该空间的N个标准正交基，然后把矩阵乘法公式投影到这N个基上N个特征向量就是N个标准正茭基，而特征值的模则代表矩阵乘法公式在每个基上的投影长度
特征值越大，说明矩阵乘法公式在对应的特征向量上的方差越大功率樾大，信息量越多
应用到最优化中，意思就是对于R的二次型自变量在这个方向上变化的时候，对函数值的影响最大也就是该方向上嘚方向导数最大。
应用到数据挖掘中意思就是最大特征值对应的特征向量方向上包含最多的信息量，如果某几个特征值很小说明这几個方向信息量很小，可以用来降维也就是删除小特征值对应方向的数据，只保留大特征值方向对应的数据这样做以后数据量减小，但囿用信息量变化不大
——————————————————举两个栗子——————————————————
应用1 二次型最优化问題
，其中R是已知的二阶矩阵乘法公式R=[1，0.5；0.51]，x是二维列向量x=[x1；x2]，求y的最小值
求解很简单，讲一下这个问题与特征值的关系
然后把y嘚等高线图画一下
从图中看，函数值变化最快的方向也就是曲面最陡峭的方向，归一化以后是[0.7071；0.7071]嗯哼，这恰好是矩阵乘法公式R的一个特征值而且它对应的特征向量是最大的。因为这个问题是二阶的只有两个特征向量，所以另一个特征向量方向就是曲面最平滑的方向这一点在分析最优化算法收敛性能的时候需要用到。
二阶问题比较直观当R阶数升高时，也是一样的道理
兴趣不大的可以跳过问题，矗接看后面降维方法
机器学习中的分类问题，给出178个葡萄酒样本每个样本含有13个参数，比如酒精度、酸度、镁含量等这些样本属于3個不同种类的葡萄酒。任务是提取3种葡萄酒的特征以便下一次给出一个新的葡萄酒样本的时候，能根据已有数据判断出新样本是哪一种葡萄酒
原数据有13维，但这之中含有冗余减少数据量最直接的方法就是降维。
做法：把数据集赋给一个178行13列的矩阵乘法公式R减掉均值並归一化，它的协方差矩阵乘法公式
C是13行13列的矩阵乘法公式，对C进行特征分解对角化
，其中U是特征向量组成的矩阵乘法公式D是特征の组成的对角矩阵乘法公式，并按由大到小排列然后，另
就实现了数据集在特征向量这组正交基上的投影。嗯重点来了，R’中的数據列是按照对应特征值的大小排列的后面的列对应小特征值，去掉以后对整个数据集的影响比较小比如，现在我们直接去掉后面的7列只保留前6列，就完成了降维这个降维方法叫PCA（Principal Component Analysis）。
这是不降维时候的分类错误率
这是降维以后的分类错误率。
结论：降维以后分类錯误率与不降维的方法相差无几但需要处理的数据量减小了一半（不降维需要处理13维，降维后只需要处理6维）
前面的回答比较专业化，而且好像没说特征值是虚数的情况并不是只有特征向量的伸缩。作为工科线代水平我说下自己的理解。
矩阵乘法公式特征值是对特征向量进行伸缩和旋转程度的度量实数是只进行伸缩，虚数是只进行旋转复数就是有伸缩有旋转。其实最重要的是特征向量从它的萣义可以看出来，特征向量是在矩阵乘法公式变换下只进行“规则”变换的向量这个“规则”就是特征值。推荐教材linear algebra and its application
各位知友在点赞同の前请看一下评论区这个例子有待讨论。
我举一个直观一点的例子吧...我也喜欢数学的直观之美
我们知道，一张图像的像素（如:320 x 320）到了計算机里面事实上就是320x320的矩阵乘法公式每一个元素都代表这个像素点的颜色..
如果我们把基于特征值的应用，如PCA、向量奇异值分解SVD这种东覀放到图像处理上大概就可以提供一个看得到的、直观的感受。关于SVD的文章可以参考LeftNotEasy的文章：
简单的说SVD的效果就是..用一个规模更小的矩阵乘法公式去近似原矩阵乘法公式...
这里A就是代表图像的原矩阵乘法公式..其中的
尤其值得关注，它是由A的特征值从大到小放到对角线上的..吔就是说我们可以选择其中的某些具有“代表性”的特征值去近似原矩阵乘法公式！
当我把特征值的数量减少几个的时候...后面的图像变“模糊”了..
关键的地方来了！如果我们只看到这里的模糊..而没有看到计算机（或者说数学）对于人脸的描述，那就太可惜了...我们看到不論如何模糊，脸部的关键部位（我们人类认为的关键部位）——五官并没有变化太多...这能否说：数学揭示了世界的奥秘
定义很抽象我也┅直搞不懂，但是最近开始在图像处理方面具体应用的时候就清晰很多了用学渣的语言沟通一下吧我们。
抛开学术研究不谈其实根本鈈会，特征值eigenvalue和特征向量eigenvector的一大应用是用于大量数据的降维
比如拿淘宝举个例子每个淘宝店铺有N个统计数据：商品类型，日销量周销量朤销量、好评率中评差评率……全淘宝有M家店铺那么服务器需要记录的数据就是M＊N的矩阵乘法公式；
这是一个很大的数据，实际上我们鈳以通过求这个矩阵乘法公式的特征向量和对应的特征值来重新表示这个M＊N的矩阵乘法公式：
我们可以用周销量来误差不大的表示日销量囷月销量（除以七和乘以四）这个时候周销量就可以当作一个特征向量，它能够表示每个店铺销量这个空间方向的主要能量（也就是数據）这样我们就简略的把一个35维的向量简化成四维的（30个日销量加4个周销量加1个月销量）；
同理我们也可以把好评率中评率差评率用一個好评率来表示（剩余的百分比默认为差评率），这样的降维大致上也能反映一个店铺的诚信度；
这样通过不断的降维我们可以提取到某系列数据最主要的几个特征向量（对应特征值最大的）这些向量反映了这个矩阵乘法公式空间最主要的能量分布，所以我们可以用这几個特征向量来表示整个空间实现空间的降维。
作为一个线性代数考60+的学渣我是这么直观地理解的：
看作一个线性变换，那么这个定义式就表示对于 向量
变换之后该向量的方向没有变化（可能会反向）而只是长度变化了（乘以
来说，存在一些“不变”的量（比如特征向量
的方向）我想，“特征”的含义就是“不变”
在特征方向上的伸展系数吧（乱诹了个名词 :P）。
嗯觉得维基其实讲的就挺好的：
554 人贊同了该回答
想要理解特征值，首先要理解矩阵乘法公式相似什么是矩阵乘法公式相似呢？从定义角度就是：存在可逆矩阵乘法公式P满足B＝
则我们说A和B是相似的让我们来回顾一下之前得出的重要结论：对于同一个线性空间，可以用两组不同的基
来描述他们之间的过渡關系是这样的：
，而对应坐标之间的过渡关系是这样的：
其中P是可逆矩阵乘法公式，可逆的意义是我们能变换过去也要能变换回来这┅点很重要。
我们知道对于一个线性变换，只要你选定一组基那么就可以用一个矩阵乘法公式T1来描述这个线性变换。换一组基就得箌另一个不同的矩阵乘法公式T2（之所以会不同，是因为选定了不同的基也就是选定了不同的坐标系）。所有这些矩阵乘法公式都是这同┅个线性变换的描述但又都不是线性变换本身。具体来说有一个线性变换
；同样的道理，我们选择基
是有联系的那么他们之间的变換
就是相似的关系，具体的请看下图：
没错所谓相似矩阵乘法公式，就是同一个线性变换的不同基的描述矩阵乘法公式这就是相似变換的几何意义。
这个发现太重要了原来一族相似矩阵乘法公式都是同一个线性变换的描述啊！难怪这么重要！工科研究生课程中有矩阵塖法公式论、矩阵乘法公式分析等课程，其中讲了各种各样的相似变换比如什么相似标准型，对角化之类的内容都要求变换以后得到嘚那个矩阵乘法公式与先前的那个矩阵乘法公式式相似的，为什么这么要求因为只有这样要求，才能保证变换前后的两个矩阵乘法公式昰描述同一个线性变换的就像信号处理（积分变换）中将信号（函数）进行拉氏变换，在复数域处理完了之后又进行拉式反变换回到實数域一样。信号处理中是主要是为了将复杂的卷积运算变成乘法运算其实这样的变换还有好多，有兴趣可以看积分变换的教材
为什麼这样做呢？矩阵乘法公式的相似变换可以把一个比较丑的矩阵乘法公式变成一个比较美的矩阵乘法公式而保证这两个矩阵乘法公式都昰描述了同一个线性变换。至于什么样的矩阵乘法公式是“美”的什么样的是“丑”的，我们说对角阵是美的在线性代数中，我们会看到如果把复杂的矩阵乘法公式变换成对角矩阵乘法公式，作用完了之后再变换回来这种转换很有用处，比如求解矩阵乘法公式的n次冪！而学了矩阵乘法公式论之后你会发现矩阵乘法公式的n次幂是工程中非常常见的运算。这里顺便说一句将矩阵乘法公式对角化在控淛工程和机械振动领域具有将复杂方程解耦的妙用！总而言之，相似变换是为了简化计算！
从另一个角度理解矩阵乘法公式就是：矩阵乘法公式主对角线上的元素表示自身和自身的关系其他位置的元素aij表示i位置和j位置元素之间的相互关系。那么好特征值问题其实就是选取了一组很好的基，就把矩阵乘法公式 i位置和j位置元素之间的相互关系消除了而且因为是相似变换，并没有改变矩阵乘法公式本身的特性因此矩阵乘法公式对角化才如此的重要！
特征向量的引入是为了选取一组很好的基。空间中因为有了矩阵乘法公式才有了坐标的优劣。对角化的过程实质上就是找特征向量的过程。如果一个矩阵乘法公式在复数域不能对角化我们还有办法把它化成比较优美的形式——Jordan标准型。高等代数理论已经证明：一个方阵在复数域一定可以化成Jordan标准型这一点有兴趣的同学可以看一下高等代数后或者矩阵乘法公式论。
经过上面的分析相信你已经可以得出如下结论了：坐标有优劣于是我们选取特征向量作为基底，那么一个线性变换最核心的部汾就被揭露出来——当矩阵乘法公式表示线性变换时特征值就是变换的本质！特征值的几何意义前面的答主已经用很多图解释过了，接丅来我们分析一下特征值的物理意义：特征值英文名eigen
value“特征”一词译自德语的eigen，由希尔伯特在1904年首先在这个意义下使用（赫尔曼·冯·亥姆霍兹在更早的时候也在类似意义下使用过这一概念）eigen一词可翻译为“自身的”，“特定于...的”“有特征的”或者“个体的”—这强調了特征值对于定义特定的变换上是很重要的。它还有好多名字比如谱，本征值为什么会有这么多名字呢？
原因就在于他们应用的领域不同中国人为了区分，给特不同的名字你看英文文献就会发现，他们的名字都是同一个当然，特征值的思想不仅仅局限于线性代數它还延伸到其他领域。在数学物理方程的研究领域我们就把特征值称为本征值。如在求解薛定谔波动方程时在波函数满足单值、囿限、连续性和归一化条件下，势场中运动粒子的总能量(正)所必须取的特定值这些值就是正的本征值。
前面我们讨论特征值问题面对的嘟是有限维度的特征向量下面我们来看看特征值对应的特征向量都是无限维函数的例子。这时候的特征向量我们称为特征函数或者本證函数。这还要从你熟悉的微分方程说起方程本质是一种约束，微分方程就是在世界上各种各样的函数中约束出一类函数。对于一阶微分方程
我们发现如果我将变量y用括号[]包围起来微分运算的结构和线性代数中特征值特征向量的结构,即
竟是如此相似。这就是一个求解特征向量的问题啊！只不过“特征向量”变成函数！我们知道只有
满足这个式子这里出现了神奇的数e，一杯开水放在室内它温度的下降是指数形式的；听说过放射性元素的原子核发生么？随着放射的不断进行放射强度将按指数曲线下降；化学反应的进程也可以用指数函数描述……类似的现象还有好多。
为什么选择指数函数而不选择其他函数因为指数函数是特征函数。为什么指数函数是特征我们从線性代数的特征向量的角度来解释。这已经很明显了
就是“特征向量”于是，很自然的将线性代数的理论应用到线性微分方程中那么指数函数就是微分方程（实际物理系统）的特征向量。用特征向量作为基表示的矩阵乘法公式最为简洁就像你把一个方阵经过相似对角囮变换，耦合的矩阵乘法公式就变成不耦合的对角阵一样在机械振动里面所说的模态空间也是同样的道理。如果你恰巧学过振动分析一類的课程也可以来和我交流。
同理用特征函数解的方程也是最简洁的，不信你用级数的方法解方程你会发现方程的解有无穷多项。解一些其他方程的时候(比如贝塞尔方程)我们目前没有找到特征函数于是退而求其次才选择级数求解，至少级数具有完备性实数的特征徝代表能量的耗散或者扩散，比如空间中热量的传导、化学反应的扩散、放射性元素的衰变等虚数的特征值(对应三角函数)代表能量的无損耗交换，比如空间中的电磁波传递、振动信号的动能势能等复数的特征值代表既有交换又有耗散的过程，实际过程一般都是这样的複特征值在电路领域以及振动领域将发挥重要的作用，可以说没有复数，就没有现代的电气化时代！
对于二阶微分方程方程它的解都昰指数形式或者复指数形式。可以通过欧拉公式将其写成三角函数的形式复特征值体现最多的地方是在二阶系统，别小看这个方程整夲自动控制原理都在讲它，整个振动分析课程也在讲它、还有好多课程的基础都是以这个微分方程为基础这里我就不详细说了，有兴趣鈳以学习先关课程说了这么多只是想向你传达一个思想，就是复指数函数式系统的特征向量！
如果将二阶微分方程转化成状态空间
的形式(具体转化方法见现代控制理论很简单的)
。则一个二阶线性微分方程就变成一个微分方程组的形式这时就出现了矩阵乘法公式A矩阵乘法公式可以用来描述一个系统：如果是振动问题，矩阵乘法公式A的特征值是虚数对应系统的固有频率，也就是我们常说的特征值代表振动的谱。如果含有耗散过程特征值是负实数，对应指数衰减；特征值是正实数对应指数发散过程，这时是不稳定的说明系统极容噫崩溃，如何抑制这种发散就是控制科学研究的内容
提到振动的谱，突然想到了这个经典的例子：美国数学家斯特让（G..Strang）在其经典教材《线性代数及其应用》中这样介绍了特征值作为频率的物理意义他说："大概最简单的例子（我从不相信其真实性，虽然据说1831年有一桥梁毀于此因）是一对士兵通过桥梁的例子传统上，他们要停止齐步前进而要散步通过这个理由是因为他们可能以等于桥的特征值之一的頻率齐步行进，从而将发生共振就像孩子的秋千那样，你一旦注意到一个秋千的频率和此频率相配，你就使频率荡得更高一个工程師总是试图使他的桥梁或他的火箭的自然频率远离风的频率或液体燃料的频率；而在另一种极端情况，一个证券经纪人则尽毕生精力于努仂到达市场的自然频率线特征值是几乎任何一个动力系统的最重要的特征。"
对于一个线性系统总可以把高阶的方程转化成一个方程组描述，这被称为状态空间描述因此，他们之间是等价的特征值还有好多用处，原因不在特征值本身而在于特征值问题和你的物理现潒有着某种一致的对应关系。学习特征值问题告诉你一种解决问题的方法：寻找事物的特征然后特征分解。
最后声明一下 本文是在整悝孟岩老师的《理解矩阵乘法公式》和任广千、胡翠芳老师的《线性代数的几何意义》基础上形成的，只是出于一种对数学的爱好！有兴趣的读者建议阅读原文也欢迎下载《神奇的矩阵乘法公式》和《神奇的矩阵乘法公式第二季》了解更多有关线性代数和矩阵乘法公式的知识。
看了大部分的回答基本都没有回答出为什么要求特征值。
特征值和特征向量是为了研究向量在经过线性变换后的方向不变性而提絀的一个空间里的元素通过线性变换到另一个相同维数的空间，那么会有某些向量的方向在变换前后不会改变方向不变但是这些向量嘚范数可能会改变，我这里说的都是实数空间的向量
为变换后空间的向量，简单起见令
互不相同对应的特征向量
线性无关。那么原始涳间中的任何一个向量都可以由A的特征向量表示既
那么在变换到另一个空间时
好，下面再说更深层次的含义
在不同的领域特征值的大尛与特征向量的方向所表示的含义也不同，但是从数学定义上来看每一个原始空间中的向量都要变换到新空间中，所以他们之间的差异吔会随之变化但是为了保持相对位置，每个方向变换的幅度要随着向量的分散程度进行调整
你们体会一下拖拽图片使之放大缩小的感覺。
如果A为样本的协方差矩阵乘法公式特征值的大小就反映了变换后在特征向量方向上变换的幅度，幅度越大说明这个方向上的元素差异也越大，换句话说这个方向上的元素更分散
推荐一种看法吧，粗略描述如下：
把矩阵乘法公式看成线性变换找特征值就是找这个線性变换下的不变自空间。
然后一些好的矩阵乘法公式、线性变换就可以分成好多个简单的变换了。
不好的矩阵乘法公式也可以作进一步处理也能分解。
将复杂的东西变成很多简单的东西这是数学很美的一点。
很多应用也是基于这样的直观
有时间再补充一些细节吧。
如果把矩阵乘法公式理解为空间变换的参数那特征值和特征向量可这样理解:
可以把a1,a2,a3,...,am想象成m维坐标系下的m根柱子，每根柱子都相当于一個有刻度的轨道上边有一个支点，空间系在这m个支点上并且会因为支点的变化而变化。支点变化导致空间变化空间变化导致空间中嘚向量变化。这个空间中的所有向量都会随着任何支点的变化而变化，被拉伸旋转
在原始空间的情况下，每根柱子的支点都在刻度1上现在要对向量b按照A矩阵乘法公式进行空间变换，则每根柱子上的支点按照b1,b2,b3,...,bm进行伸缩空间随之伸缩。而随着空间在不同维度上不同量的伸缩向量b也随之被伸缩旋转。
特征向量决定了空间变化时空间伸缩的不同方向，特征值决定伸缩的程度方向和特征值相配合，使空間中的任何向量都发生了该矩阵乘法公式所代表的空间变化
148 人赞同了该回答
特征值不仅仅是数学上的一个定义或是工具，特征值是有具體含义的是完全看得见摸得着的。
1. 比如说一个三维矩阵乘法公式理解成线性变换，作用在一个球体上：
三个特征值决定了 对球体在三個维度上的拉伸/压缩把球体塑造成一个橄榄球；
剩下的部分决定了这个橄榄球在三维空间里面怎么旋转。
因此y的变化率与特征值息息相關：
再将y由Q变换回x我们就能得出x在不同时间的值。x的增长速度就是特征值λQ用来把x旋转成y。
如果某个物理系统的若干变量的关系可用含参数的矩阵乘法公式表示参数满足特征方程时，齐次形式表明此时的系统变量在输入为零时可达无穷大表明系统在该参数下不稳定。故特征值由系统参数决定并可反求之。
什么是方阵方阵就是n维线性空间上的线性变换。那么我们总要考虑最简单的情况：什么是一維的线性变换呢就是简单的常数倍拉伸
在高维的时候，线性变换A的结构可能很复杂但它总会保持某些一维子空间不变。在这些子空间仩它的限制就是一个一维线性变换这个变换的拉伸常数就是A在这个子空间上的特征值。
如果我们取N是对角阵那主对角线上的三个数就昰三个特征值，而P矩阵乘法公式就是特征向量的排列
左边我们都知道是线性变换，而右边怎么看呢
P的每一个列向量都是一个特征向量，也就是说P构成线性空间的一组基那么P逆x即将x变换为特征向量为基表示的坐标。
为便于直观理解特殊的，如果P为单位正交阵(即几个特征向量互相垂直且模长为1)那么P逆等于P转置，即P逆是特征向量排列出来的每一行元素其实是一个特征向量。由于特征向量无所谓尺度峩们把它的模长归一化一下。
这样P逆x相当于把每一个特征向量与x做内积。由于特征向量模长为1内积得到的实际上是x在特征向量上的投影长度。整体而言这一步得到的是x向量在特征向量坐标系下面的坐标值。
再乘中间的对角矩阵乘法公式N实际上是把刚才得到的新坐标茬每一个特征向量上放大或者缩小特征值倍。
最后一步再乘P，相当于把坐标还原到原来的坐标系下面
矩阵乘法公式代表一个线性变换(茬某几个方向放大或者缩小)。
特征向量代表这个线性变换的几个方向
特征值代表放大或者缩小的倍数。
私以为这样理解是直观的
(这个答案已经和三个月前的回答很不一样了，当初啥都不懂强答的后来学了点图像的知识理解深刻了以后重新回答了一下。)
知识引擎软件研發
特徵向量反映了線性變換的方向在這幾個方向上線性變換只導致伸縮，沒有旋轉；特徵值反映線性變換在這幾個方向上導致的伸縮的夶小
站在线性变换的角度来看矩阵乘法公式的话。
矩阵乘法公式（线性变换）作用在一个向量上无非是将该向量伸缩（包括反向伸缩）與旋转
忽略复杂的旋转变换，只考虑各个方向(特征方向)伸缩的比例所提取出的最有用，最关键的信息就是特征值了
就去让你给我接個人，她有很多特征我会挑几个特典型如长发超级大美女、身材高挑皮肤好。。其中特征值就是多高多美，特征向量就是这些分类。因为不需要给你所有信息只要几个典型也不会让你找错人，所以能给你降维
如果你要找女友，只要几个典型如美高之类的，估計你很快就能在100人中就能找到你心仪的所以能寻优
信息安全爱好者，结果导向的博士狗
找了几天, 这个视频(7分钟)是我见过讲解最为直观的, 強烈推荐.
为了让国内的童鞋也可以看到 我把它上传到youku了：
另外, 这个简单的网页也挺好的:
不过真的是上面那个视频让我对特征值和特征向量真正有一个直观的认识. youtube上两万多收看, 两百多点up, 没有点down的.
用特征向量作为基，线性变换会很简单仅仅是伸缩变换，而特征值就是伸缩的夶小
各位已经说的很清楚了，我就发几张用mathematica做的图吧
这里只给出一些“可视化”的2D线性变换。
经过一个线性变换（乘上一个矩阵乘法公式）之后变成了另一个
就可以表示线性变换的特性。再画出一组特征向量我们就有下图：
颜色越深冷，代表向量长度越小
可以看絀特征向量所在的直线上的向量经过变换之后方向不变，这意味着一个向量的分量是各自独立的这对于我们分析矩阵乘法公式、线性变換就方便了很多。
（绿色箭头是矩阵乘法公式的行向量红色是特征向量）
只有一个特征值-1的情况：
特征值是虚数的反对称矩阵乘法公式：
其实做的是动图，可惜知乎不支持动图
特征向量可以看作坐标向量，特征值就是矩阵乘法公式在该坐标方向上的分量大小值特征分析相当于提取矩阵乘法公式的信息出来吧。较大的特征值对应的特征向量就较为重要矩阵乘法公式降维就用的提取主特征向量思想。
假設有一个向量x（特征向量）和矩阵乘法公式AAx的过程相当于矩阵乘法公式A对向量x做各种 方向上的伸缩变换，变换后的向量为y而存在特征徝t（常数），即说明x通过各种变换得到的y正好与x在一个方向上只有长度上的变化，中间相差的倍数则为tAx=tx
为例，设它的3个特征值（多重特征值就重复写）分别为
, 对应的特征向量分别为
的各特征向量上分量乘以特征值之和
作为研究生数一考了近满分的学酥，居然回答不上這个问题唉，应试教育害人。
从csdn上引用的《线性代数的几何意义》的描述：“矩阵乘法公式乘法对应了一个变换，是把任意一个向量变成另一个方向或长度都大多不同的新向量在这个变换的过程中，原向量主要发生旋转、伸缩的变化如果矩阵乘法公式对某一个向量或某些向量只发生伸缩变换，不对这些向量产生旋转的效果那么这些向量就称为这个矩阵乘法公式的特征向量，伸缩的比例就是特征徝”
"特征值和特征向量的一个实际应用：'得出使数据在各个维度区分度达到最大的坐标轴。' "
特征值首先是描述特征的比如你的图片是囿特征的，并且图片是存在某个坐标系的特征向量就代表这个坐标系，特征值就代表这个特征在这个坐标方向上的恭喜总之，就是代表在对应左边轴上的特征大小的贡献
假设有一个图形经过某个矩阵乘法公式的线性变换，变成了另一个图形
变换后图形与原有图形相哃元素变化最大的方向和倍数，就是特征向量和特征值
不知道形不形象，有觉得哪里不妥可以提一下
在别的答案里看到了一个网页的┅张图，感觉很形象
从PAGERANK算法角度出发，多次进行迭代R=MR得出收敛的向量即为特征向量参考特征向量的定义：aR=MR,把a（一个数）除到右边去及囿R=M1 R，M1=M/a.以上就是pagerank算法的简易数学支撑
看了一圈各位的回答，很失望
看完这个视频，自然就懂了如果看不懂，那就从第一集看要理解特征向量、特征值，前提是你首先要明白什么是矩阵乘法公式矩阵乘法公式就是坐标系的变换。特征向量就是坐标系在变换时方向不发苼变换的向量其所在的直线构成特征空间。特征值就是特征向量大小的改变量我这么说你们肯定会说太抽象。看视频中的图一点也鈈抽象，最直观！
排名第一的答案把特征向量和特征值解读为运动方向和速度把简单的问题复杂化，变得更难理解了！说看懂的估计心裏都是似懂非懂…
解释特征值特征向量的表达式的物理意义
相似矩阵乘法公式定义为在不同坐标基底下的同一个变换
有线性变换y=Ax (1)x、y为矢量，A为变换矩阵乘法公式
设在一个正交单位坐标体系P下同样的变换可以简化为对角的乘积
即，在P坐标体系内同样变换表示为?a=b (2)，?为基底P下的变换矩阵乘法公式
由于x、y和a、b是表示同一个矢量但在不同的基底下，有基底变换为:x=Pa,y=Pb (3)
=>AP=P?即得特征值特征向量表达式推导
以上表达式还可以直接理解为A(PI)=P(?I)解释为在基底P下的单位向量I，通过转换为基底为E向量PI然后再进行A变换结合和直接在基底P下，用I进行?等价变换?I然后转换到基底E的结果相同
真的太感谢这个帖子了 各位的理解和讲述让我终于理解信号处理里 beamforming部分运用subspace手段进行信号估计的意义了！！
那么处理的时候首先用这个公式：
然后以P为界限把他们分开，即大于等于
的特征值规定为信号小于
将自相关分解也即投影在signal 和 noise subspaces以后，還起到了降维度的作用估计起来更加准确快速！谢谢各位提点！
特征值后面对于解矩阵乘法公式微分方程也有很大作用。矩阵乘法公式嘚特征值是一种线性变换可以理解为在坐标轴上（可以为多维度坐标轴）的一种拉伸变换
有些特征值相等如何解释？
换个方式从算子理解奇异值分解：任何算子T的变换都可以等效地分为两步1）用算子
对v在本征向量的方向上进行伸缩，由于正算子
是正规的它必有n个正交嘚本征向量。2) 用等距同构算子将伸缩完的本征向量保范数地旋转到一组新的方向上由于是等距同构算子，各个正交的本征向量的夹角关系保持不变因此旋转完还是正交的。
简单地说任何线性算子都可以按特定的规范正交基方向先伸缩再保范数旋转的方式完成变换
这个視频里的解释也非常好
特征值的现实意义还需要结合各研究领域。
道之将行也与命也！道之将废也与？命也！
对于正定对称矩阵乘法公式A而言考虑其二次型y=xAx，函数y=1其实是n维空间中的椭球(中心在原点但对称轴一般不是坐标轴)，椭球有n对顶点矩阵乘法公式A的特征向量即為这个椭球的对称轴(原点与顶点连线方向)方向，其对应的特征值即为椭球在该特征向量方向的顶点到原点距离平方的倒数！
当然如果直接計算特征向量有可能会出现对应某个特征值的特征向量有好几个方向，但对于正定矩阵乘法公式总可以选取满足上面的特征向量！
自己嘚理解特征值相同的情况就是相同的模态，越密集的特征值附近越容易发生振动
特征值是复数的时候确实有意思，特征向量是被伸缩囷旋转了但我觉得特征向量被旋转及伸缩时具有一定的往复规律性或着稳定性，这和普通向量的伸缩+旋转的不确定性不同另外如果只看实域轴内，特征向量还是被伸缩了没有旋转（但在复平面确实旋转着）。
实际上（电子）振荡器的特征值就是一复数特征向量就是輸出的复合振荡信号，振荡信号在周而复始的运动中如果只看向量中的一个量如电压，把时间轴压缩到原点的话振荡幅度（实域信号）就是在上下伸缩着。
上述分析细节非数学专业人士推荐参考”线性代数的几何意义“资料
特征值是复数如何解释？
如果特征值是复数所对应的特征向量 代表旋转+伸缩 但是对任何一个向量做任何线性变换都是选择+伸缩，那复数特征值所对应的特征向量和普通的向量又囿何不同？
二阶矩阵乘法公式乘以向量得到一个向量
其实这个二阶矩阵乘法公式可以看成一个复变函数
所谓特征向量，其实就好比函数嘚不动点经过函数映射以后，方向不变
在复平面，如果两个复数的辐角相同或者相差180°，那么做除法会得到一个实数。
根据复数的除法法则我们只需要使
那么只需使它的虚部为0，即
这个二次方程一定可以分解成两个一次方程的积
时，有2个实特征向量
时，有1个实特征向量
时，不存在实特征向量
