ค่าลักษณะเฉพาะและเวกเตอร์ลักษณะเฉพาะ: บทแนะนำที่เป็นมิตรกับผู้เริ่มต้น

ค่าลักษณะเฉพาะและเวกเตอร์ลักษณะเฉพาะดูลึกลับเมื่อคุณเห็นมันครั้งแรก แต่แนวคิดเบื้องหลังนั้นเข้าใจได้ง่าย: เมื่อเมทริกซ์แปลงเวกเตอร์ เวกเตอร์ ส่วนใหญ่ จะถูกหมุนและยืดออก เวกเตอร์ลักษณะเฉพาะคือทิศทางพิเศษที่ถูกยืดออกเท่านั้น ไม่เคยถูกหมุนเลย ตัวคูณการยืดนั้นคือค่าลักษณะเฉพาะ

นิยาม

กำหนดเมทริกซ์ขนาด $n \times n$ ชื่อ $A$ เวกเตอร์ที่ไม่เป็นศูนย์ $\mathbf{v}$ จะเป็น เวกเตอร์ลักษณะเฉพาะ ที่มี ค่าลักษณะเฉพาะ $\lambda$ เมื่อ:

$A \mathbf{v} = \lambda \mathbf{v}$

ในเชิงเรขาคณิต: $A$ ที่กระทำต่อ $\mathbf{v}$ ให้ผลลัพธ์เป็น $\lambda$ เท่าของ $\mathbf{v}$ — ทิศทางเดิม เพียงแต่ถูกปรับสเกล

วิธีหาพวกมัน — พหุนามลักษณะเฉพาะ

จัดรูปใหม่ได้เป็น $(A - \lambda I)\mathbf{v} = \mathbf{0}$ เพื่อให้มี $\mathbf{v}$ ที่ไม่ใช่คำตอบชัด เมทริกซ์ $A - \lambda I$ ต้องเป็นเอกฐาน นั่นคือ:

$\det(A - \lambda I) = 0$

สมการนี้กระจายออกมาเป็นพหุนามในตัวแปร $\lambda$ เรียกว่า พหุนามลักษณะเฉพาะ มีดีกรี $n$ รากของมันคือค่าลักษณะเฉพาะ

ตัวอย่างที่ทำให้ดูแบบ $2 \times 2$

$A = \begin{pmatrix} 4 & 1 \\ 2 & 3 \end{pmatrix}$

1. $A - \lambda I = \begin{pmatrix} 4 - \lambda & 1 \\ 2 & 3 - \lambda \end{pmatrix}$
2. $\det = (4-\lambda)(3-\lambda) - 2 = \lambda^2 - 7\lambda + 10$
3. แก้ $\lambda^2 - 7\lambda + 10 = 0$: $\lambda = 5$ หรือ $\lambda = 2$

สำหรับ $\lambda = 5$: แก้ $(A - 5I)\mathbf{v} = 0$ นั่นคือ $\begin{pmatrix} -1 & 1 \\ 2 & -2 \end{pmatrix}\mathbf{v} = 0$ ได้เวกเตอร์ลักษณะเฉพาะ $\mathbf{v}_1 = (1, 1)$

สำหรับ $\lambda = 2$: กระบวนการคล้ายกันให้ $\mathbf{v}_2 = (1, -2)$

เหตุใดเวกเตอร์ลักษณะเฉพาะจึงสำคัญ

• การวิเคราะห์องค์ประกอบหลัก (PCA): เวกเตอร์ลักษณะเฉพาะของเมทริกซ์ความแปรปรวนร่วมคือทิศทางหลักของการแปรผันในข้อมูลของคุณ
• Google PageRank: เวกเตอร์อันดับคือเวกเตอร์ลักษณะเฉพาะที่เด่นที่สุดของเมทริกซ์ลิงก์ของเว็บ
• กลศาสตร์ควอนตัม: ปริมาณที่สังเกตได้คือตัวดำเนินการ ค่าลักษณะเฉพาะของพวกมันคือผลลัพธ์เพียงอย่างเดียวที่คุณวัดได้
• สมการเชิงอนุพันธ์: ค่าลักษณะเฉพาะของเมทริกซ์ระบบบอกคุณว่าคำตอบจะลดลงหรือพุ่งทะยาน

ทบทวนความหมายเชิงเรขาคณิต

สำหรับเมทริกซ์ 2 มิติ เวกเตอร์ลักษณะเฉพาะคือแกนพิเศษ ถ้าคุณจัดระบบพิกัดให้ตรงกับพวกมัน $A$ จะกลายเป็นเมทริกซ์ทแยงมุม — เป็นการปรับสเกลล้วน ๆ ตามแต่ละแกนโดยไม่มีการหมุน นั่นคือ การทำเป็นทแยงมุม (diagonalisation) และมันเป็นรากฐานของอัลกอริทึมนับสิบ ๆ ตัว

ข้อผิดพลาดที่พบบ่อย

• ลืมว่าเวกเตอร์ลักษณะเฉพาะถูกกำหนดได้ถึงระดับการปรับสเกล — ตัวคูณที่ไม่เป็นศูนย์ใด ๆ ของเวกเตอร์ลักษณะเฉพาะก็เป็นเวกเตอร์ลักษณะเฉพาะเช่นกัน
• ข้ามสมการลักษณะเฉพาะ แล้วพยายามเดา
• ปฏิบัติกับ $\det(A - \lambda I)$ ว่าเป็น $\det(A) - \lambda$ — ซึ่งไม่ใช่

ลองใช้กับ Trình giải Ma trận AI

ใส่เมทริกซ์ของคุณลงใน เครื่องคิดเลขเมทริกซ์ แล้วขอค่าลักษณะเฉพาะ — แสดงทุกขั้นตอน

เอกสารอ้างอิงที่เกี่ยวข้อง:

• เครื่องคิดเลขดีเทอร์มิแนนต์ — จำเป็นสำหรับพหุนามลักษณะเฉพาะ
• ตัวแก้สมการกำลังสอง — สำหรับกรณีลักษณะเฉพาะแบบ $2\times 2$
• เครื่องคิดเลขเวกเตอร์ — เวกเตอร์ลักษณะเฉพาะโดยแก่นแท้คือเวกเตอร์