数学表达式2

1. 数学表达式:二元关系

  • 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 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)} R 2 = { ( 5 , 8 ) , ( 8 , 9 ) } \mathbf{R}_2 = \{(5, 8), (8,9)\} R2={(5,8),(8,9)}
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):RR
    f ( x ) = x 2 + 1 f(x) = x^2 + 1 f(x)=x2+1
    x ↦ x 2 + 1 x \mapsto x^2 + 1 xx2+1
  • 多元函数
    f : R 2 → R f: \mathbb{R^2}\to \mathbb{R} f:R2R
    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:RmR,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} [1023]

  1. l 0 l_0 l0 范数
    语义: 非零项个数.
    ∣ ∣ X ∣ ∣ 0 = 2 ||\mathbf{X}||_0 = 2 X0=2

  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 X1=1+2+0+3=6

  3. 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 X2=12+(2)2+0+32 =3.742

  4. 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

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值