特征值与特征向量

机器的「主轴」

变换机器大多又转又拉，乱得很。但几乎每台机器都藏着几个「特殊方向」：这个方向上的向量，变换后方向不变，只被拉长或缩短。这个方向叫特征向量，伸缩倍数叫特征值。写成公式是 $Av=\lambda v$：矩阵 A 作用在 v 上，等于把 v 乘个倍数 λ。白话：对 v 来说，这台机器像个「弹簧秤」。

类比：转地球上的不动轴

地球自转时所有点都在动，唯独南北极连成的轴方向不变——它就是自转的特征向量。找特征向量，就是在纷乱运动里找「主轴」。

真实案例：Google 的 PageRank

1998 年，谷歌创始人布林和佩奇把「网页互相链接」表示成一个巨大矩阵，网页重要性排名正是它最大特征值对应的特征向量——一个特征向量撑起最初的搜索帝国。音频音色分析、人脸识别的「特征脸」也用它。

怎么理解「最大」特征值

机器反复作用，向量会倒向最大特征值对应的方向——像摇匀混装弹珠，大弹珠浮上来。PageRank 就靠反复乘矩阵收敛。

常见误区：特征向量不是「最长」或「最重要」的向量

定义只有一条：方向不被机器改变。特征值是放大（>1）、缩小（<1）还是反向（<0），都有可能。

练一练：验证 (1, 1) 是「交换机」(x, y) → (y, x) 的特征向量，说出它的特征值。