从特征值特征向量到方向分析（标准差椭圆）
从特征值特征向量到方向分析（标准差椭圆）
一． 特征值与特征向量的意义
Ax=λx
几何直观解释为x向量在矩阵A作用下使得x向量方向不变，且拉伸了λ倍。那x向量和λ的具体意义是什么呢？为什么有人说特征值分解就是变换坐标轴呢？
1. 线性变换的几何角度：
设V是数域P上的n维线性空间，T是V的一个线性变换，现取定V的一组基α_1,α_2,α_3,…α_n，则每个Tα_i都是V中向量(i=1,2,…,n)，故可设
写成形式矩阵：
矩阵
称为线性变换T在基α_1,α_2,α_3,…α_n下的矩阵。
根据矩阵论严格推导，我们有定理： 一个线性变换在不同基下的矩阵是相似的,且使得其相似的矩阵是两者的过渡矩阵。也就是说两个矩阵相似，他们的含义就是他们是某一线性变换在两个不同基下的矩阵，即同一线性变换的不同基下的描述方式不同。
我们以二维数据为例，X，Y 多个点对，其协方差矩阵M可以表示为
我们将M进行特征分解，分解公式为：
从矩阵特点及定义，可以得到M与Λ矩阵相似，那么根据（1）得出的结论，我们就可以把它看成，M和Λ是同一个线性变换在不同基下的描述矩阵，且Q为两者基的过渡矩阵。
我们不妨设线性变换为T, T在基α_1,α_2下的矩阵为M，在基β_1,β_2下的矩阵为Λ。
两个基的过渡矩阵即为Q，满足：
接下来则从几何图形角度，得到这个基到底是谁，代表什么，我们首先画出一个坐标系和一些点对，假设这些点对求出的协方差矩阵即为上述假设出的M矩阵：
我们计算协方差时，点是以X，Y表示，那么更详细的说法则是点是以两个正交的轴，以1为单位所标注出来的坐标点，从基的角度则是以向量（1，0）’ （0，1）'为基，分别在X方向，Y方向的长度。
线性变换是一种抽象的计算函数，在协方差中线性变换T则是方差的计算函数，那么通过几何我们可以得到M是T在以（1，0）’（0，1）'为基的描述矩阵。
那么再看两个基满足的式子：
那么(α_1,α_2)就是
代入后得到原来
那这个基有啥特点呢，为什么要分解为这个基？而不是别的。
我们知道特征值分解后，Λ矩阵是一个对角阵，且对角值都是特征值
Λ与M矩阵都是描述同一个线性变换T，Λ这个描述就很有特色，他让每一个维度都独立了出来，即维度间互不相关了，直观的理解就是，以前我是一个直角坐标系，现在我可以表示成这样了：
啥意思？ 就是我们只关心一个维度 分别画出来，比如只关心X值，那么把X画在X轴上。 相当于把一个复合的东西，分解成一个一个的。
那Q其实就是能够在单维度上表达出值的那个轴，比如在X维度上，Q上的X维的特征向量 就是一个可以像示例一样，以一维方式表达值的X轴，所以有时为了理解我们会说成是坐标轴的转换。
数学角度的意思搞懂了，从实际意义呢，为什么要把各个维度分开呢，其实就是我们要找到每个维度原本的值。举例子 我们从单维度向多维映射思想讲解：
-
现在我们有一个一维线
-
我们把这些值投射到两个维度上：
线上的点值从单维映射到了二维上，相当于一块木头本来用一个工具就能打磨好，现在我用了两个工具一起打磨，也就造成了这两个维度上的值 在这个单维度上有了相关性，一个人的活分给了两个人干，每个维度的值必定会小于原本单维度的值。
而我们进行特征值分解，就是找到这个单维度的轴，把值聚合起来（不是单纯的相加），看看他所拥有的值。即找到某维度上其本该拥有的值，值在不映射到多维时，最大。
我们从整体来看，当每个维度都分离开了，看到了每个维度所拥有的值，那么整体效果，就是每个维度所叠加聚合形成的，每个维度的贡献就是其拥有的值的大小，越大贡献越多，整体表现也趋向较大的一方。
那么结论也就有了，特征值在协方差的意义基础上，就是以单位长度的特征向量为基，每个维度上的值对应的方差。 即此时的特征值就是每个维度的最大方差。可根据具体数据自行确认。
*以上的结论有隐藏条件，1。维度间是正交的，因为协方差是对称矩阵，所以必正交。 2。基也必须是单位长度才能说特征值为方差，相当于以1为刻度。 假如不是单位长度呢？自行思考，同样的道理只是尺度不同。
2. 统计学角度：
从多元正态分布角度考虑，参考知乎大佬的文章：
https://zhuanlan.zhihu.com/p/37609917
从多元正态分布角度，协方差矩阵特征分解与点位分布的关系
结论：多元正态分布的概率密度是由协方差矩阵的特征向量控制旋转(rotation)，特征值控制尺度(scale)，即特征向量矩阵为点分布的旋转矩阵，而特征值为 点位分布拉伸的平方。协方差即分布的一种几何表达
注意：经常会碰到说特征值是拉伸倍数，平常所见的是对特征向量的拉伸倍数，对于点的分布是拉伸倍数的开方。 作用对象不同。
二． 方向分析（标准差椭圆）中的应用
方向分析或者说标准差椭圆用于点集的方向与范围表达，点集的方向表现在点集整体的最大离散方向即方差最大的维度上，范围表现在各维度上最大离散方向的聚合。
表现在坐标上，方向则是找出使点的X值或者Y值在某向量或者说轴上方差最大，范围则是X,Y值两者各自最大方差的两个向量构成的椭圆。
从正态分布的角度上，椭圆的具体参数中心为所有点的均值处，长半轴为 X值维度与Y值维度方差较大者的 标准差，短半轴为X值维度与Y值维度方差较小者的 标准差。方向为 X值维度与Y值维度方差较大者的 轴向量方向
可以按照涵盖点位的比例，选取半径为1，2，3倍。