干货|如何理解不同特征值对应的特征向量线性无关?

2017 年 11 月 3 日 机器学习研究会

问题:为什么不同特征值对应的特征向量线性无关?

所以不同特征值对应的特征向量线性相关是错误的。

所以:不同特征值对应的特征向量是线性无关的

下面从几个不同的角度理解一下


1
几何角度



从几何的角度出发,其实对理解更加有帮助。特征向量表示的是矩阵变换中只有伸缩变换没有旋转变换的方向向量,特征值是这个方向的伸缩系数,一个方向当然只有一个伸缩系数。

来自知友@知乎用户何志

转自:机器学习算法与自然语言处理


完整内容请点击“阅读原文”

登录查看更多
0

相关内容

机器学习速查手册,135页pdf
专知会员服务
345+阅读 · 2020年3月15日
【经典书】精通机器学习特征工程,中文版,178页pdf
专知会员服务
360+阅读 · 2020年2月15日
特征方程的物理意义
算法与数学之美
6+阅读 · 2019年5月13日
博客 | MIT—线性代数(上)
AI研习社
9+阅读 · 2018年12月18日
傅里叶变换和拉普拉斯变换的物理解释及区别
算法与数学之美
11+阅读 · 2018年2月5日
【直观详解】什么是PCA、SVD
机器学习研究会
5+阅读 · 2017年11月10日
特征工程的特征理解(一)
机器学习研究会
10+阅读 · 2017年10月23日
On Feature Normalization and Data Augmentation
Arxiv
15+阅读 · 2020年2月25日
Star-Transformer
Arxiv
5+阅读 · 2019年2月28日
VIP会员
相关VIP内容
相关资讯
特征方程的物理意义
算法与数学之美
6+阅读 · 2019年5月13日
博客 | MIT—线性代数(上)
AI研习社
9+阅读 · 2018年12月18日
傅里叶变换和拉普拉斯变换的物理解释及区别
算法与数学之美
11+阅读 · 2018年2月5日
【直观详解】什么是PCA、SVD
机器学习研究会
5+阅读 · 2017年11月10日
特征工程的特征理解(一)
机器学习研究会
10+阅读 · 2017年10月23日
相关论文
Top
微信扫码咨询专知VIP会员