数学表达式2

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 $\mathbf{A}$ 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 ${\mathbf{R}}_1$ 和 ${\mathbf{R}}_2$, 并计算 ${\mathbf{R}}_1{\mathbf{R}}_2$, ${\mathbf{R}}_1^{+}$, ${\mathbf{R}}_1^{\ast }$.
• 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)\} R1​R2​={(2,9)}
正闭包: ${\mathbf{R}}_1^{+}=${(1, 2), (2,8), (1,8)}.
克林闭包:${\mathbf{R}}^{\ast }=${(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
  $f(x):\mathbb{R}\to \mathbb{R}$
  $f(x)=x^2+1$
  $x\mapsto x^2+1$
• 多元函数
  $f:{\mathbb{R}}^2\to \mathbb{R}$
  $f(x,y)=x^2+y^2$
• 机器学习的回归, 就是学习函数
  $f:{\mathbb{R}}^m\to \mathbb{R}$,其中$m$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$m$为条件属性值，$L$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： $\left[\begin{array}{cc}1& -2\\ 0& 3\end{array}\right]$

1. $l_0$ 范数
   语义: 非零项个数.
   $||\mathbf{X}|{|}_0=2$

2. $l_1$ 范数
   语义: 绝对值之和.
   $||\mathbf{X}|{|}_1=|1|+|-2|+|0|+|3|=6$

3. $l_2$ 范数
   语义: 平方和.
   $||\mathbf{X}|{|}_2=\sqrt{1^2+(-2{)}^2+0+3^2}=3.742$

4. $l_{\infty }$ 范数
   语义: 平方和
   $||\mathbf{X}|{|}_{\infty }=3$

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
  $$\min \sum _{(i,j)\in \Omega }(f({\mathbf{x}}_i,{\mathbf{t}}_j)-r_{ij}{)}^2$$各符号及含义.

${\mathbf{x}}_i$是用户$i$的信息
${\mathbf{t}}_j$是商品$j$的信息
$r_{ij}$=0是用户$i$看过商品$j$
$r_{ij}$=是用户$i$没看过商品$j$