对角化的本质:
找到一组特征向量,把它们当新坐标轴,矩阵在这个新坐标系里,就变成对角矩阵。2. 对角化的核心公式(只记这一个)如果矩阵 A 可以对角化,一定存在:
- 可逆矩阵 P(由特征向量组成)
- 对角矩阵 \(\Lambda\)(对角线是特征值)
- 使得:
- \(A = P\Lambda P^{-1}\)
- 人话翻译:
- \(\text{原矩阵} = \text{特征向量矩阵} \cdot \text{对角矩阵} \cdot \text{逆矩阵}\)
我给你说最直白的用途:
① 算矩阵的高次幂超级快不用慢慢乘,直接:
\(A^n = P\Lambda^n P^{-1}\)
对角矩阵的幂:只需要把对角线数字 n 次方
② 把复杂变换变简单- 原来:旋转 + 扭曲
- 对角化后:只拉伸,不旋转所有机器学习、图像处理、PCA 都靠这个。
全靠对角化。
4. 问题记忆点:
- 什么是矩阵
- 什么是对角矩阵
- 对角线可以是 0
- 主对角线、次对角线
- 特征值、特征向量
- 矩阵对角化完整步骤
- 对角化有什么用
5. 向量就是 “只有一行 或 只有一列” 的特殊矩阵
6. 从用途看- 矩阵:用来变换(拉伸、旋转)
- 向量:用来表示位置、方向
向量 = 一维的矩阵(单行或单列)
矩阵 = 一堆向量排在一起
这里有两个关键:
1. 符号长得像个 “点”\(\boldsymbol{a} \cdot \boldsymbol{b}\)
中间是一个 ·(点),所以叫:
点乘 / 点积
2. 为了和另一种乘法区分向量有两种乘法,完全不一样:
- 点乘(・)\(\boldsymbol{a}\cdot\boldsymbol{b}\)→ 结果是一个数
- 叉乘(×)\(\boldsymbol{a}\times\boldsymbol{b}\)→ 结果是一个新向量
- 为了不搞混:
- 用 点 表示 → 点乘
- 用 叉 表示 → 叉乘
- 向量 + 向量 = 向量
- 向量 − 向量 = 向量
- 数 × 向量 = 向量
- 向量・向量 = 数(一个普通数字)
- 这就是点乘最特别的地方。
- 叉乘结果是一个新向量
- 这个新向量 同时垂直于 a 和 b
- 长度等于 a、b 张成的平行四边形面积
表格
| 项目 | 点乘・ | 叉乘 × |
|---|---|---|
| 结果 | 一个数 | 一个向量 |
| 维度 | 2D、3D 都能用 | 只在 3D 有用 |
| 几何意义 | 方向相似度、投影 | 垂直方向、面积 |
| 公式 | 对应相乘再相加 | 按行列式算 |
| 为 0 时 | 垂直 | 平行 |
- 点乘 = 数,看方向相不相近
- 叉乘 = 向量,看垂直方向
- 点乘为 0 ⇨ 垂直;叉乘为 0 ⇨ 平行