特徵向量 是什麼？

Eigenvector — 特徵向量 的完整解釋

特徵向量是指在線性變換下，方向保持不變或僅反向的非零向量。它對應於特定的特徵值，代表變換的主要作用方向。

容易混淆

特徵向量 vs 一般向量 一般向量經過變換後，方向和長度都可能變。 特徵向量只會變長短，方向保持不變或反向。 最關鍵的區別：方向有沒有被保住。

特徵向量 vs 主成分 主成分通常是資料協方差矩陣的特徵向量。 特徵向量是線性代數概念，主成分是統計分析裡的應用名稱。 最關鍵的區別：一個是數學物件，一個是應用角色。

特徵向量 vs 嵌入向量 嵌入向量是學出來的語義表示。 特徵向量是線性變換下保持方向不變的向量。 最關鍵的區別：一個代表語義，一個代表變換性質。

記住這句就好

方向不變的向量，就是特徵向量。

實際案例

做人臉辨識的特徵臉 把人臉影像做矩陣分析後，可以找出代表主要臉部變化方向的特徵向量。 Before：每張臉都看成一堆像素。After：先找出最有代表性的方向，再做辨識。

做降維分析 若你把資料投影到特徵向量上，就能抓到資料最有結構的方向。 Before：高維資料很亂。After：用特徵向量把最重要的方向挑出來。

算法與應用

特徵向量通常要搭配特徵值一起找，常見做法是解方程 (A - λI)v = 0。

解空間中的非零向量就是對應的特徵向量，可能不只一個。

在資料分析裡，它常是 PCA、臉部辨識、圖嵌入與矩陣分解的基礎。

情境判斷

Q1（直覺題）： 如果某個向量經過變換後只改變長度、方向不變，這個向量是什麼？

→ 它是特徵向量，而長度改變的倍率由特徵值描述。

Q2（判斷題）： 每個矩陣都一定有很多特徵向量嗎？

→ 看情況。要看矩陣型態與定義域，實際上不一定每次都能得到漂亮的實數特徵向量集合。

常見問題

怎麼找特徵向量？

先求出特徵值，再解 (A - λI)v = 0；解空間中的非零向量就是特徵向量。

特徵向量的方向有什麼意義？

它代表變換最穩定的方向，也通常是資料裡最有結構的方向。

影像處理會用到嗎？

會。像 Eigenfaces 這類方法，就是先從人臉資料裡找出特徵向量，再拿來做辨識。