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

# 特徵向量（Eigenvector）

> **你有沒有想過，為什麼有些向量被矩陣一乘，方向竟然不變？**
>
> 你可以把它想成，這個向量剛好站在變換的特殊方向上，所以只會被拉長或縮短，不會歪掉。
>
> 特徵向量很重要，因為它幫你找到線性變換最穩定、最有代表性的方向，PCA、影像分析、矩陣分解都會用到。

### 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

> **Q：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。
>
> **Q：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。
>
> **Q：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。

### 相關術語

> - **特徵值**：兩者一定要一起看，少了倍率就不完整。
> - **主成分分析**：PCA 常把特徵向量直接變成可用的降維方向。
> - **降維處理**：想理解「把資料壓到較少維度」，這個詞很重要。
> - **奇異值分解**：它和特徵向量很常一起比較，特別是在矩陣分析時。
> - **矩陣分解**：特徵向量是矩陣分解最常見的入口之一。

---

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