---
title: "特徵值（Eigenvalue）"
slug: eigenvalue
language: zh-TW
source: https://aiterms.tw/terms/eigenvalue
updated_at: 2026-04-29
tags: [數學基礎, 機器學習, 資料處理, 特徵工程, 模型評估, 統計方法, AI基礎]
ipas_term: false
---

# 特徵值（Eigenvalue）

> **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

> **Q：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。
>
> **Q：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。
>
> **Q：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。

### 相關術語

> - **特徵向量**：兩者是配套概念，少了它，特徵值的倍率意義就不完整。
> - **主成分分析**：PCA 讀懂之後，特徵值的角色會很清楚。
> - **奇異值分解**：它是更一般的分解工具，和特徵值很常一起比較。
> - **降維處理**：如果你在做特徵選擇或壓縮資料，這個詞很重要。
> - **矩陣分解**：特徵值是矩陣分解最常見的入口之一。

---

來源：https://aiterms.tw/terms/eigenvalue
快查頁：https://aiterms.tw/terms/eigenvalue
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-eigenvalue