1. 数学表达式:二元关系
- 令 A = { 1 , 2 , 5 , 8 , 9 } \mathbf{A} = \{1, 2, 5, 8, 9\} A={1,2,5,8,9}, 写出 A \mathbf{A} A 上的 “模 2 同余” 关系及相应的划分.
- A = { 1 , 2 , 5 , 8 , 9 } \mathbf{A} = \{1, 2, 5, 8, 9\} A={1,2,5,8,9}, 自己给定两个关系 R 1 \mathbf{R}_1 R1 和 R 2 \mathbf{R}_2 R2, 并计算 R 1 R 2 \mathbf{R}_1 \mathbf{R}_2 R1R2, R 1 + \mathbf{R}_1^+ R1+, R 1 ∗ \mathbf{R}_1^* R1∗.
- 查阅粗糙集上下近似的定义并大致描述.
A
=
{
1
,
2
,
5
,
8
,
9
}
\mathbf{A} = \{1, 2, 5, 8, 9\}
A={1,2,5,8,9}
A
=
{
(
1
,
1
)
,
(
1
,
5
)
,
(
1
,
9
)
,
(
0
,
2
)
,
(
0
,
8
)
}
\mathbf{A} = \{(1, 1), (1, 5), (1, 9),(0, 2), (0, 8)\}
A={(1,1),(1,5),(1,9),(0,2),(0,8)}.
P
=
{
{
1
,
5
,
9
}
,
{
2
,
8
}
}
\mathcal{P} = \{\{1, 5, 9 \}, \{2, 8\} \}
P={{1,5,9},{2,8}}.
R
1
=
{
(
1
,
2
)
,
(
2
,
8
)
}
\mathbf{R}_1 = \{(1, 2), (2, 8)\}
R1={(1,2),(2,8)} 与
R
2
=
{
(
5
,
8
)
,
(
8
,
9
)
}
\mathbf{R}_2 = \{(5, 8), (8,9)\}
R2={(5,8),(8,9)}
则
R
1
R
2
=
{
(
2
,
9
)
}
\mathbf{R}_1\mathbf{R}_2 = \{(2, 9)\}
R1R2={(2,9)}
正闭包:
R
1
+
=
\mathbf{R}_1^+ =
R1+={(1, 2), (2,8), (1,8)}.
克林闭包:
R
∗
=
\mathbf{R}^* =
R∗={(1, 2), (2,8), (1,8), (1,1), (2,2), (5,5), (8,8), (9,9)}.
上近似是指包含给定集合 X 元素的最小可定义集;
下近似是指包含给定集合 X 元素的最大可定义集。
2. 数学表达式:函数
- 一元函数
f ( x ) : R → R f(x): \mathbb{R} \to \mathbb{R} f(x):R→R
f ( x ) = x 2 + 1 f(x) = x^2 + 1 f(x)=x2+1
x ↦ x 2 + 1 x \mapsto x^2 + 1 x↦x2+1 - 多元函数
f : R 2 → R f: \mathbb{R^2}\to \mathbb{R} f:R2→R
f ( x , y ) = x 2 + y 2 f(x,y)=x^2+y^2 f(x,y)=x2+y2 - 机器学习的回归, 就是学习函数
f : R m → R f: \mathbb{R^m}\to \mathbb{R} f:Rm→R,其中 m \mathbb{m} m为条件属性值。 - 在多标签学习中,就是学习
f : R m → { − 1 , + 1 } L f: \mathbb{R^m}\to \{-1,+1\}^L f:Rm→{−1,+1}L - 在多标签分布学习中,就是学习
f : R m → { 0 , 1 } L f: \mathbb{R^m}\to \{0,1\}^L f:Rm→{0,1}L,其中 m \mathbb{m} m为条件属性值, L L L为标签数。
3. 数学表达式:向量/矩阵的范数
-给定一个矩阵计算其各种范数.
矩阵: [ 1 − 2 0 3 ] \begin{bmatrix}1&-2\\0&3\end{bmatrix} [10−23]
-
l 0 l_0 l0 范数
语义: 非零项个数.
∣ ∣ X ∣ ∣ 0 = 2 ||\mathbf{X}||_0 = 2 ∣∣X∣∣0=2 -
l 1 l_1 l1 范数
语义: 绝对值之和.
∣ ∣ X ∣ ∣ 1 = ∣ 1 ∣ + ∣ − 2 ∣ + ∣ 0 ∣ + ∣ 3 ∣ = 6 ||\mathbf{X}||_1 =|1|+|-2|+|0|+|3|=6 ∣∣X∣∣1=∣1∣+∣−2∣+∣0∣+∣3∣=6 -
l 2 l_2 l2 范数
语义: 平方和.
∣ ∣ X ∣ ∣ 2 = 1 2 + ( − 2 ) 2 + 0 + 3 2 = 3.742 ||\mathbf{X}||_2 = \sqrt{1^2+(-2)^2+0+3^2}=3.742 ∣∣X∣∣2=12+(−2)2+0+32=3.742 -
l ∞ l_\infty l∞ 范数
语义: 平方和
∣ ∣ X ∣ ∣ ∞ = 3 ||\mathbf{X}||_\infty =3 ∣∣X∣∣∞=3
4. 数学表达式:min 与 argmin
- 解释 推荐系统: 问题、算法与研究思路 2.1 中的优化目标
min ∑ ( i , j ) ∈ Ω ( f ( x i , t j ) − r i j ) 2 \min \sum_{(i, j) \in \Omega} (f(\mathbf{x}_i, \mathbf{t}_j) - r_{ij})^2 min(i,j)∈Ω∑(f(xi,tj)−rij)2各符号及含义.
x
i
\mathbf{x}_i
xi是用户
i
i
i的信息
t
j
\mathbf{t}_j
tj是商品
j
j
j的信息
r
i
j
r_{ij}
rij=0是用户
i
i
i看过商品
j
j
j
r
i
j
r_{ij}
rij=是用户
i
i
i没看过商品
j
j
j