- 博客(11)
- 收藏
- 关注
RSS订阅原创 杨辉三角形c++
初次写时一直未搞明白换行的问题，本想在嵌套for循环中加入if语句判定，结果输出时会出现一堆0或者是乱码，始终不尽人意，后在输出层面发现问题并顺利解决，能省则省，判定越少，代码规模越小越不容易出错。题目要求：打印出10行。
2024-09-01 16:10:15
285
原创 向量篇总结
an可以表示向量组β1，β2….an可以表示向量组β1，β2…βn，且向量组β1，β2….an不可以表示向量组β1，β2….an和向量组β1，β2…βn可由向量组a1,a2,a3….an线性表示，则向量组β1，β2…βn)且a组可以表示β组或β组可以表示a组⇒ 向量组a1,a2,a3….an和向量组β1，β2…anβ线性相关，则β一定能由向量组a1,a2….an线性无关，且β不能由a1,a2,a3…8．n个线性无关的n维向量可以表示任何一个n维向量,n个n维向量不能表示某一个n维向量⇒。
2024-07-24 19:45:46
1165
原创 正定二次型的概念及结论
设一个二次型f(A)=xTAx，如果对任意x≠0，都有f(A)=xTAx>0，则称f为正定二次型若f为正定二次型，要想让f=0,当且仅当x=0，只要x≠0，f>0例：f=2x12+x22+3x32>=0。
2024-07-23 18:37:55
380
原创 相似的性质与可相似对角化的条件
3.对于A的每个k重特征值λ，r(A-λE)=n-重数。2.对于A的每个k重特征值λ，都有k个无关的特征向量。r(A)=A非0特征值的个数（相似对角化能推出什么）1.A恰有n个线性无关的特征向量。：f(A)~B (f(X)是多项式)tr(A)指该方阵主对角线之和。
2024-07-22 18:40:57
797
原创 实对称矩阵的性质（求特征值和特征向量）（重要）
1.不同特征值对应特征向量正交 正交→ 线性无关2.必能相似对角化，且存在正交矩阵Q,使（注：非对称阵一定不能通过正交矩阵Q相似对角化）3.k重特征值恰有k个无关的特征向量4.非0特征值个数等于矩阵的秩5.适用谱分解定理6.也为实对称矩阵7.任意m*n阶矩阵C，一定是实对称矩阵若只剩下一个特征值（不管几重），求特征向量，与其他特征向量正交的向量，一定全是这个特征值的特征向量。
2024-07-21 13:19:43
776
原创 矩阵特征值，特征向量求法
6.f(A)=0→ f(λ)=0（的所有特征值λ一定满足f(λ)=0但所有满足f(λ)=0的不一定都是A的特征值）5.|A|=0 / n阶矩阵A不可逆 / A的列向量组线性相关 / AB=0且B≠0→ A有特征值0。齐次方程组有非0解（A+λE）x=0有非0解→ |A+λE|=0→ -λ为A的一个特征值。2.A的各行元素之和为a ,则A有一个特征值a, 对应特征向量k(1,1,1…1.A+λE不可逆↔ |A+λE|=0→ -λ为A的一个特征值。|A+λE|=0→ -λ为A的一个特征值。
2024-07-20 21:27:21
411
原创 齐次和非齐次线性方程解的结构
1.设a1,a2,…an都是Ax=0的解，则:k1 a1+k2a2+….knan仍是Ax=0的解，k1,k2….kn为任意常数2.设b1,b2…bn都是Ax=b的解，则：3.b是Ax=b的解，a是Ax=0的解，则b+a是Ax=b的解4.Ax=0的任意n-r(A)个线性无关的解，都可以构成Ax=0的基础解系，并且，如果a1,a2…an是 Ax=0的基础解系，则k1a1+k2a2+….knan是Ax=0的通解5.
2024-07-20 12:14:02
351
原创 向量组的极大无关组与齐次方程组的基础解系
其余向量用极大无关组表示：将向量组化为单位向量组的形式。自由未知量：非主元列对应未知量。注：约束未知量：主元列对应未知量。详情参考小吴学长660。
2024-07-18 22:20:04
317
原创 向量组线性表示问题（线代）
an线性表示↔r(a1,a2…an)≠r(a1,a2…an, β) ↔ r(a1,a2…an)=r(a1,a2….an线性表示且表示法不唯一↔r(a1,a2…an)=r(a1,a2….an线性表示且表示法唯一↔r(a1,a2…an)=r(a1,a2…向量组a1,a2,a3….an线性相关↔|a1,a2,a3…向量组a1,a2,a3…an线性无关↔|a1,a2,a3…秩：r(a1,a2,a3…an)=n↔a1,a2,a3…秩：r(a1,a2,a3…an)≠n↔a1,a2,a3…详情参考小吴学长660。
2024-07-17 21:14:01
214
原创 基于LightGBM的线下商品销量预测
首先，它能够很好地处理包含滞后特征的时间序列数据，例如 `weekly_sales_lag_1` 到`weekly_sales_lag_4`，这些滞后特征捕捉到了销售数据的时间依赖性，有助于提高模型对未来销量变化的预测能力。引入 `weekly_sales_lag_1` 到 `weekly_sales_lag_4` 等滞后特征，成功捕捉到销售数据的时间依赖性，使得模型能够更好地预测未来的销售趋势，提升了对时间序列数据的拟合能力。图中的峰值集中在0附近，表明大多数预测误差较小，模型的预测与实际值接近。
2024-07-03 22:14:52
1643
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人