特徵向量：這個動作的骨架

① 這關在解什麼問題

先看一個你八成寫過的東西：一個每個月重跑一次的流程。 兩家外送平台在搶用戶，每個月藍家有 10% 的人跑去橘家、橘家有 20% 的人跑回藍家。 現在藍家市佔只有 10%。

然後有人問你：一直跑下去會停在哪？還是會來回震盪、或者整個爆掉？ 你不想真的跑一百次來看 —— 而且就算跑了，你也只知道「這組數字會怎樣」， 換一組參數又要重跑一次。你要的是看一眼那幾個數字就知道結局。

那組流動比例擺成一個 2×2 矩陣，就是一台搬運機：餵它一個點（這個月的市佔）， 它把那個點搬到別的地方（下個月的市佔），整個平面上每個點都被搬一次。 而這件事跟外送平台無關 —— 任何 2×2 矩陣都是一台搬運機。 問題是，隨便給你一台，它就只長這樣，四個數字擺在你面前：

所以這一關會照這個順序走，一步都不跳：

這關給你的工具叫 特徵向量 (eigenvector) 與 特徵值 (eigenvalue)。 上面那兩家外送平台的下場，⑥ 會用它算完。 （這一關的主角是矩陣＝一個動作；資料的特徵向量是下一關的事， 但那是同一把刀 —— 等一下你就會拿它去解剖 03 關那個共變異數矩陣。）

② 矩陣那四個數字，是怎麼長出來的

先把最容易勸退人的那件事解決掉：2112 這四個數字不是天上掉下來的。它們的來歷只有一句話：

平面上只有兩根基礎箭頭，其他所有點都是它們拼出來的：

• e₁ = (1, 0) —— 往右一格。（e 取自 elementary／基底； 下標 1 就是「第 1 根」，沒有別的意思。）
• e₂ = (0, 1) —— 往上一格。

任何一個點都能用它們寫出來：點 (3, 2) 就是「往右三格、再往上兩格」，也就是 3·e₁ + 2·e₂。

現在假設我告訴你這台機器做了什麼：它把 e₁ 搬到 (2, 1)、 把 e₂ 搬到 (1, 2)。這樣一講，它對其他每一個點做什麼就完全定死了， 因為這台機器不會把加法拆散（這個性質就叫「線性」）：

把那兩個新位置直立著抄下來、一根一欄，就是矩陣：

這就是等一下主實驗那四個滑桿的意思：拉 a、c 是在搬 e₁ 的新家， 拉 b、d 是在搬 e₂ 的新家。不是四個抽象的旋鈕。

所以這一段的結論是：矩陣不是四個神秘數字， 是「兩根基礎箭頭的新地址」抄下來的一張表。看到任何矩陣，先把它的兩欄各讀成一個點， 你就已經知道它在幹嘛了。

③ 從你已經會的東西開始：一張橡皮膜

拿一張橡皮膜，用筆在上面畫滿從中心射出去的箭頭（像太陽的光芒）。現在抓住兩邊，往外拉。

• 大部分箭頭會又變長又歪掉 —— 它們被拉到別的方向去了。
• 但一定有幾根箭頭，原地變長或變短，方向一點都沒動。

那幾根沒歪的箭頭，就是這個拉法的特徵向量；它變長／變短的倍率就是特徵值 λ （λ 讀作 lambda，就是一個希臘字母，代表一個純數字，沒有別的含意）。 揉麵團也一樣：你朝某個方向壓下去，麵團裡就有那麼一兩條線上的東西只是被拉長，沒有被扭走。

所以這一段的結論是：「骨架」＝方向沒被轉走的那幾根，「λ」＝那根被拉長幾倍。 接下來整關都在找這兩個東西。

④ 用一行式子把上面那句話寫下來

注意這是一個方程式，不是在定義一個新運算：給你 A，要去找哪些 v 和 λ 能讓等號成立。 大部分 v 都不行 —— 這也是為什麼下面要一階一階慢慢找。

⑤ 主實驗：從一個點開始，慢慢找出那根不會歪的箭頭

這一節有四階，請照順序玩。前三階用的都是同一台機器 2112（就是 ② 那台）， 到第四階才讓你自己捏矩陣。

⑥ 用途一：預測「一直做下去會怎樣」

先講一個具體到不能再具體的情境，完全不出現矩陣：

把上面那四句話直接畫成一張表。直著讀一欄是「這家的人下個月分別去哪」：

把表頭遮住，剩下四個數字，那就是 T：

市佔本身寫成一個兩格的向量，下標就是「第幾個月」：

第一步長什麼樣？把數字直接代進去，一格都不跳：

藍家從 10% 一個月就跳到 27%。那第二個月、第三個月…… 會停在哪？自己按。

為什麼可以直接用 λ^k 預測，不用真的乘 k 次

把起始向量拆成兩根特徵向量的組合（骨架是一組座標，任何向量都能這樣拆）：

所以這一節的結論是：只要問題長成「下一步 = 矩陣 × 這一步」， 結局完全由 λ 決定：λ = 1 的那根撐住終點，|λ| < 1 的那幾根負責衰減掉。 不必真的跑一百次。

⑦ 用途二：換一套座標，動作就變簡單（對角化）

同一個動作，看兩次。左邊用你習慣的 x/y 座標，右邊改用骨架當座標軸。 注意右邊：格子還是同一組方向，只是各自被縮放，沒有任何歪斜。

順帶一個好處：A^k = P D^k P⁻¹， 而 D^k 只是把對角線各自次方 —— 這就是 用途一能一秒算完「跑一百年」的原因，兩件事是同一件事。

所以這一節的結論是：對角化＝換一組看事情的座標，把糾纏在一起的動作拆成兩個獨立的乘法。 矩陣沒變，只是你站的位置變了。

⑧ 用途三：把這把刀對準資料（下一關的門口）

到現在為止，A 一直是我用滑桿捏出來的動作。但03 關結尾那個 共變異數矩陣 C 也是一個 2×2 矩陣 —— 它同樣可以問「有沒有哪個方向不會被轉走」。

下面這顆按鈕會把一份真實資料算出來的共變異數矩陣（用 LAB.M.covMatrix 算， 樣本版 ddof = 1，四捨五入到 0.1 好塞進滑桿）直接灌進階梯 4 的主實驗，並幫你把答案打開：

你會看到兩件事：它是對稱的（b = c，因為 cov(x,y) = cov(y,x)）， 所以兩根特徵向量互相垂直；而那兩根垂直的線，就是資料躺著的方向與它的厚度方向。 這正是 PCA 在做的事，我們下一關把它做完。

⑨ 有些動作根本沒有骨架

「一定找得到不轉向的方向」是錯的。把整個平面轉 90°：每一根箭頭都被轉走，一根都不剩。 下面 A = 先轉 θ 度、再乘一個縮放 r。轉一轉滑桿，看掃描曲線 —— 它會整條平移，但永遠碰不到 0° 也碰不到 ±180°。

這時候特徵值變成複數：判別式 Δ = tr(A)² − 4·det(A) < 0，開根號開不出實數。 翻成人話：這個動作本質上含旋轉，在實數的平面上不存在「不轉向的方向」。 複數的實部管「轉多少」，絕對值 |λ| 管「每一圈是漲還是縮」 —— 振盪、交流電、任何週期系統都是這一類。

所以這一節的結論是：「有沒有骨架」是矩陣自己決定的，不是你找得夠不夠努力。 Δ < 0 就是它在跟你說「我含旋轉，別找了」。

⑩ 數學長怎樣

先寫「怎麼驗證一個 v 是不是特徵向量」—— 這只需要 01 關的餘弦：同一條線上，cos = ±1。

// ① 驗證：Av 跟 v 是不是躺在同一條線上？
const A  = [[2, 1], [1, 2]];
const v  = { x: 1, y: 1 };
const Av = LAB.M.matVec(A, v);                        // { x: 3, y: 3 }
const c  = LAB.M.cos(v, Av);                          // 1  → 完全同向，v 是特徵向量
const lam = LAB.M.dot(Av, v) / LAB.M.dot(v, v);       // 3  → 倍率 λ（這叫 Rayleigh 商）

// ② 不用猜：直接解特徵多項式 λ² − tr(A)·λ + det(A) = 0
function eigenvalues([[a, b], [c, d]]) {
  const tr = a + d;                 // 跡：對角線相加，等於 λ₁ + λ₂
  const det = a * d - b * c;         // 行列式：面積放大率，等於 λ₁ · λ₂
  const disc = tr * tr - 4 * det;    // 判別式 Δ
  if (disc < 0) return { real: false };   // 開不出實根 → 這動作含旋轉
  const s = Math.sqrt(disc);
  return { real: true, l1: (tr + s) / 2, l2: (tr - s) / 2 };
}

（還沒跑）

那個特徵多項式是推出來的，不是背的。把定義搬到一邊：

順便把兩個老朋友接起來：λ₁ + λ₂ = tr(A)（對角線相加）、 λ₁ · λ₂ = det(A)（面積放大率）。 所以只要看到 det(A) = 0，就知道至少有一個 λ 是 0 —— 有一個方向被壓死了。

⑪ 工程師的「原來如此」

⑫ 踩坑

⑬ 所以，找到骨架之後到底能幹嘛

這是整關最該記住的一頁。你剛剛花力氣找的那幾根方向，換來的是這三件事 —— 每一件你上面都已經玩過了：

一句話收口：特徵向量把「一個看不懂的矩陣」翻譯成 「幾個方向 + 每個方向一個倍率」。一旦翻譯完成， 預測、拆解、找主軸這三件事就都只剩乘法而已。

⑭ 本頁符號總表（看到不認識的就回來這裡）

⑮ 這關回答了什麼