你有沒有看過一個向量經過矩陣變換後，只是被拉長或縮短，方向卻沒變？
你可以把它想成，矩陣對某些特殊方向有固定的縮放倍數，而這個倍數就是特徵值。
特徵值常拿來看系統會不會越跑越大、PCA 裡哪個方向最重要，或一個線性變換到底在「放大」什麼。
容易混淆
特徵值 vs 特徵向量 特徵向量是那個特殊方向的向量。 特徵值是沿著這個方向被放大或縮小的倍數。 最關鍵的區別：一個是方向，一個是倍率。
特徵值 vs 奇異值 特徵值來自方陣的線性變換性質。 奇異值分解可以處理更廣的矩陣，不一定要方陣。 最關鍵的區別：適用的矩陣類型不同。
特徵值 vs 一般縮放因子 一般縮放因子會對所有方向做同樣處理。 特徵值只描述特定特徵方向上的倍率。 最關鍵的區別：是不是只對某個方向成立。
記住這句就好
特徵向量定方向，特徵值定倍率。
實際案例
PCA 做降維時 資料投影到主成分方向後，特徵值越大，代表那個方向保留的資訊越多。 Before：只看原始欄位。After：先看特徵值大小，挑最有資訊的方向。
分析系統穩定性時 如果某個特徵值的絕對值很大，系統在那個方向上可能會快速放大。 Before：只看輸入輸出。After：看矩陣的特徵值，判斷是不是會發散。
算法與應用
求特徵值通常是解 det(A - λI) = 0，這會得到可能的 λ。
對稱矩陣的特徵值一定是實數，一般矩陣則可能出現複數。
在機器學習裡，它常出現在 PCA、矩陣分析、動態系統與圖論。
情境判斷
Q1（直覺題）： 如果一個矩陣作用在某個向量上，向量方向完全不變，只是長度變了，這代表什麼？
→ 那個向量就是特徵向量，變長或變短的倍率就是特徵值。
Q2（判斷題）： 一個一般矩陣的特徵值一定是實數嗎？
→ 看情況。對稱矩陣通常是實數，但一般矩陣可能出現複數特徵值，所以不能直接假設。
常見問題
特徵值一定是實數嗎？
不一定。對稱矩陣通常是實數，但一般矩陣可能出現複數特徵值。
要怎麼算特徵值？
先建立特徵方程 det(A - λI) = 0，再解出 λ；大矩陣通常會用數值方法。
特徵值在機器學習裡有什麼用？
它常用來看哪個方向資訊最多、模型是否穩定，或降維時該保留哪些主成分。