15. 고유벡터와 고유값

고유값 분해는 주성분 분석(PCA: Principal Component Analysis)에서 자주 쓰이는 개념입니다. 이번 강의에서 고유값 분해를 배우기 위한 첫 단계인 고유 벡터와 고유값의 개념에 대해 배워보도록 하겠습니다.

 

 

identity composition

- 주어진 행렬에 대해 굉장히 중요한 정보를 추출하는 과정입니다. 

- Square matrix의 Eigenvector가 non - zero 적어도 하나의 원소가 아닌 벡터일 때 다음 식을 만족해야 합니다.

 

$Ax=\lambda x$

 

 

다음과 같이$3\times 3$ square matrix와 3차원 벡터 x의 곱과 스칼라와 x 벡터의 곱이 같아야 합니다. 이러한 조건을 만족시키는 벡터 x를 A 행렬의 Eigenvector라고 합니다. $\lambda$는 Eigenvalue라고 합니다.

 

- 행렬 연산을 단순화시킨 것

 

 

 $\left[\begin{array}{cc}2& 6\\ 5& 3\end{array}\right]$의 Eigenvector는  $\left[\begin{array}{c}1\\ 1\end{array}\right]$

 

방향은 그대로고 크기가 8배가 됩니다.

 

$Ax=8x$

 

1. $Ax$ 같은 경우는 크기와 방향이 바뀝니다.

2. $\lambda x$ 같은 경우에는 크기만 바뀌게 됩니다.

 

이때 저 두 조건을 만족시키는 x를 찾아야 합니다. $Ax$를 그냥 사용할 경우에는 행렬곱을 해야 되기 때문에 4번의 곱셈과 2번의 더하기로 총 6번의 연산이 필요하지만 $8x$ 같은 경우네는 2번의 연산밖에 필요하지 않습니다.

 

- 행렬곱을 스칼라곱으로 바꿔 효율적인 연산을 진행한다.

 

 

Eigenvector와 Eigenvalue를 어떻게 구할 것인가?

 

 

다음과 같이 

 

$Ax=\lambda x$

$Ax-\lambda x=0$

$Ax-\lambda Ix=0$

$(A-\lambda I)x=0$

 

- $I=$ Identity matrix

 

x에 0을 주면 간단히 해결할 수 있지만 Eigenvector 조건 중에 non - zero vector라는 조건이 있어 0이 될 수는 없습니다. 그래서 영벡터가 아닌 다른 벡터를 넣어주어서 위의 조건을 만족해야 합니다.

 

$(A-\lambda I)$이건 Linear system으로 볼 수 있습니다. 여기서 행렬 A가 Linear independent 하더라도 $\lambda$를 빼주면 dependent 하게 되도록 해주는 $\lambda$를 찾아야 합니다.

 

 

 

A는 같은 라인에 있지 않아 선형독립이 만족되는 column입니다. 이 행렬에서 대각 성분에만 8을 빼주면 Linear dependent matrix가 나오게 됩니다. 선형종속일 때만 같은 선상에 존재하기 때문에 서로 뺏을 때 0이 나오는 조건을 만족할 수 있습니다.

 

- 크기는 같고 방향이 반대인 값을 만들어줘야 합니다.