เวกเตอร์ Eigen และค่า Eigen พบการใช้งานในหลายสถานการณ์ คำว่า 'Eigen' ในภาษาเยอรมันหมายถึง 'เป็นเจ้าของ' หรือ 'ทั่วไป' เวกเตอร์ Eigen เรียกอีกอย่างว่า 'เวกเตอร์ลักษณะ' สมมติว่าเราจำเป็นต้องทำการแปลงในชุดข้อมูล แต่เงื่อนไขที่กำหนดคือทิศทางของข้อมูลในชุดข้อมูลไม่ควรเปลี่ยนแปลง นี่คือเวลาที่สามารถใช้เวกเตอร์ Eigen และค่า Eigen ได้
กำหนดเมทริกซ์สี่เหลี่ยมจัตุรัส (เมทริกซ์ที่มีจำนวนแถวเท่ากับจำนวนคอลัมน์) ค่า Eigen และเวกเตอร์ Eigen จะเป็นไปตามสมการด้านล่าง
เวกเตอร์ไอเกนคำนวณหลังจากพบค่าไอเกน
หมายเหตุ − ค่า Eigen ทำงานได้ดีกับมิติที่ 3 หรือมากกว่าเช่นกัน
แทนที่จะดำเนินการคำนวณทางคณิตศาสตร์เหล่านี้ด้วยตนเอง SciPy มีฟังก์ชันในไลบรารีที่เรียกว่า 'eig' ซึ่งช่วยคำนวณค่าลักษณะเฉพาะและเวกเตอร์ไอเกน
ไวยากรณ์ของฟังก์ชัน 'eig'
scipy.linalg.eig(matrix)
มาดูกันว่าฟังก์ชัน 'eig' สามารถใช้ได้อย่างไร -
ตัวอย่าง
from scipy import linalg
import numpy as np
my_arr = np.array([[5,7],[11,3]])
eg_val, eg_vect = linalg.eig(my_arr)
print("The Eigenvalues are :")
print(eg_val)
print("The Eigenvectors are :")
print(eg_vect) ผลลัพธ์
The Eigenvalues are : [12.83176087+0.j -4.83176087+0.j] The Eigenvectors are : [[ 0.66640536 -0.57999285] [ 0.74558963 0.81462157]]
คำอธิบาย
- นำเข้าไลบรารีที่จำเป็น
- เมทริกซ์ถูกกำหนดด้วยค่าบางอย่างในนั้น โดยใช้ไลบรารี Numpy
- เมทริกซ์จะถูกส่งผ่านเป็นพารามิเตอร์ไปยังฟังก์ชัน 'eig' ที่คำนวณค่าลักษณะเฉพาะและเวกเตอร์ลักษณะเฉพาะของเมทริกซ์
- ข้อมูลที่คำนวณเหล่านี้ถูกเก็บไว้ในตัวแปรสองตัวแปรที่แตกต่างกัน
- ผลลัพธ์นี้จะแสดงบนคอนโซล
