作业1
1.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
R
=
{
(
a
,
b
)
∈
A
×
A
∣
a
m
o
d
2
=
b
m
o
d
2
}
\mathbf{R} = \{(a, b) \in \mathbf{A} \times \mathbf{A} \vert a \mod 2 = b \mod 2\}
R={(a,b)∈A×A∣amod2=bmod2}
R
=
{
(
2
,
2
)
,
(
2
,
8
)
,
(
8
,
2
)
,
(
8
,
8
)
,
(
1
,
1
)
,
(
1
,
5
)
,
(
1
,
9
)
,
(
5
,
1
)
,
(
5
,
5
)
,
(
5
,
9
)
,
(
9
,
1
)
,
(
9
,
5
)
,
(
9
,
9
)
}
\mathbf{R}=\{(2,2),(2,8),(8,2),(8,8),(1,1),(1,5),(1,9),(5,1),(5,5),(5,9),(9,1),(9,5),(9,9) \}
R={(2,2),(2,8),(8,2),(8,8),(1,1),(1,5),(1,9),(5,1),(5,5),(5,9),(9,1),(9,5),(9,9)}
P
=
{
{
2
,
8
}
,
{
1
,
5
,
9
}
}
\mathcal{P}=\{\{2,8 \},\{1,5,9\} \}
P={{2,8},{1,5,9}}
2. 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∗.
例1
R
1
=
{
(
1
,
2
)
,
(
1
,
5
)
}
\mathbf{R}_1=\{(1,2),(1,5) \}
R1={(1,2),(1,5)}
R
2
=
{
(
1
,
2
)
,
(
2
,
8
)
,
(
5
,
8
)
}
\mathbf{R}_2=\{(1,2),(2,8),(5,8) \}
R2={(1,2),(2,8),(5,8)}
R
1
R
2
=
{
(
1
,
8
)
}
\mathbf{R}_1 \mathbf{R}_2=\{(1,8) \}
R1R2={(1,8)}
R
1
+
=
R
1
1
∪
R
1
2
∪
R
1
3
∪
R
1
4
∪
R
1
5
\mathbf{R}_1^+ = \mathbf{R}_1^1 \cup \mathbf{R}_1^2 \cup \mathbf{R}_1^3 \cup \mathbf{R}_1^4 \cup \mathbf{R}_1^5
R1+=R11∪R12∪R13∪R14∪R15
R
1
1
=
{
(
1
,
2
)
,
(
1
,
5
)
}
\mathbf{R}_1^1=\{(1,2),(1,5) \}
R11={(1,2),(1,5)}
R
1
2
=
{
∅
}
\mathbf{R}_1^2=\{\emptyset\}
R12={∅}
R
1
+
=
{
(
1
,
2
)
,
(
1
,
5
)
}
\mathbf{R}_1^+=\{(1,2),(1,5)\}
R1+={(1,2),(1,5)}
A
0
=
{
(
1
,
1
)
,
(
2
,
2
)
,
(
5
,
5
)
,
(
8
,
8
)
,
(
9
,
9
)
}
\mathbf{A}^0=\{(1,1),(2,2),(5,5),(8,8),(9,9) \}
A0={(1,1),(2,2),(5,5),(8,8),(9,9)}
R
1
∗
=
{
(
1
,
2
)
,
(
1
,
5
)
,
(
1
,
1
)
,
(
2
,
2
)
,
(
5
,
5
)
,
(
8
,
8
)
,
(
9
,
9
)
}
\mathbf{R}_1^* =\{(1,2),(1,5),(1,1),(2,2),(5,5),(8,8),(9,9) \}
R1∗={(1,2),(1,5),(1,1),(2,2),(5,5),(8,8),(9,9)}
例2
A
=
{
1
,
2
,
3
}
\mathbf{A}=\{1,2,3 \}
A={1,2,3}
R
=
{
(
1
,
2
)
,
(
2
,
3
)
,
(
2
,
1
)
}
\mathbf{R}=\{(1,2),(2,3),(2,1) \}
R={(1,2),(2,3),(2,1)}
R
2
=
{
(
1
,
3
)
,
(
1
,
1
)
,
(
2
,
2
)
}
\mathbf{R}^2=\{(1,3),(1,1),(2,2) \}
R2={(1,3),(1,1),(2,2)}
R
3
=
{
(
1
,
2
)
,
(
2
,
3
)
,
(
2
,
1
)
}
\mathbf{R}^3=\{(1,2),(2,3),(2,1) \}
R3={(1,2),(2,3),(2,1)}
R
+
=
{
(
1
,
2
)
,
(
2
,
3
)
,
(
2
,
1
)
,
(
1
,
3
)
,
(
1
,
1
)
,
(
2
,
2
)
}
\mathbf{R}^+=\{(1,2),(2,3),(2,1),(1,3),(1,1),(2,2)\}
R+={(1,2),(2,3),(2,1),(1,3),(1,1),(2,2)}
R
1
∗
=
{
(
1
,
2
)
,
(
2
,
3
)
,
(
2
,
1
)
,
(
1
,
3
)
,
(
1
,
1
)
,
(
2
,
2
)
,
(
3
,
3
)
}
\mathbf{R}_1^* =\{(1,2),(2,3),(2,1),(1,3),(1,1),(2,2),(3,3) \}
R1∗={(1,2),(2,3),(2,1),(1,3),(1,1),(2,2),(3,3)}
3.查阅粗糙集上下近似的定义并大致描述.
粗糙集(Rough Set, RS)是处理不精确、不确定和不完全数据的有效数学工具。
其中,一种类别对应一个概念(类别可以用集合表示,概念可以用规则描述),知识由概念组成。比如有
U
{
x
1
,
x
2
…
x
n
}
\mathbf{U}\{x_1,x_2\dots x_n\}
U{x1,x2…xn}的对象集合,
A
{
\mathbf{A}\{
A{颜色、形状、大小
}
\}
}为属性集合,可以对对象集合通过R1{红,黄,蓝}、R2{三角、方块、圆形}、R3{大、中、小}等属性进行划分,这些划分构成了基本知识库。大的且是三角形的作为一个概念。
如果某个知识含有不精确概念,则该知识不精确。粗糙集对不精确概念的描述方法是通过下近似和上近似概念来描述。
假设给定了一个A上的子集合X={x2,x5,x7}
上近似:上近似集被理解为那些与X有交的等价关系的并集
下近似:下近似集可以被理解为所有那些被包含在X里面的等价关系的并集
4.其他
正闭包: R + = R 1 ∪ R 2 ⋯ ∪ R ∣ A ∣ \mathbf{R}^+ = \mathbf{R}^1 \cup \mathbf{R}^2 \dots \cup \mathbf{R}^{|\mathbf{A}|} R+=R1∪R2⋯∪R∣A∣
克林闭包: R ∗ = R + ∪ A 0 \mathbf{R}^* = \mathbf{R}^+ \cup \mathbf{A}^0 R∗=R+∪A0, A 0 = { ( x , x ) ∣ x ∈ A } \mathbf{A}^0=\{(x,x)|x \in \mathbf{A}\} A0={(x,x)∣x∈A}
U
\mathbf{U}
U 是全集
所有子集的集合
2
U
2^\mathbf{U}
2U
C
⊆
D
\mathbf{C} \subseteq \mathbf{D}
C⊆D
set family
A
\mathcal{A}
A
C
∈
2
U
=
A
\mathbf{C} \in 2^\mathbf{U} = \mathcal{A}
C∈2U=A
D
∈
2
U
=
B
\mathbf{D} \in 2^\mathbf{U} = \mathcal{B}
D∈2U=B
R
⊆
A
×
B
\mathbf{R} \subseteq \mathcal{A} \times \mathcal{B}
R⊆A×B
U
=
{
1
,
2
}
\mathbf{U} = \{1, 2\}
U={1,2}
A
=
2
U
=
{
∅
,
{
1
}
,
{
2
}
,
{
1
,
2
}
}
\mathcal{A} = 2^\mathbf{U} = \{\emptyset, \{1\}, \{2\}, \{1, 2\}\}
A=2U={∅,{1},{2},{1,2}}
R
⊆
=
{
(
∅
,
∅
)
,
(
∅
,
{
1
}
)
,
(
∅
,
{
2
}
)
,
(
∅
,
{
1
,
2
}
)
,
(
{
1
}
,
{
1
}
)
,
(
{
1
}
,
{
1
,
2
}
)
,
(
{
2
}
,
{
2
}
)
,
(
{
2
}
,
{
12
}
)
,
(
{
1
,
2
}
,
{
1
,
2
}
)
}
\mathbf{R}^{\subseteq} = \{(\emptyset, \emptyset), (\emptyset, \{1\}), (\emptyset, \{2\}), (\emptyset, \{1, 2\}), (\{1\}, \{1\}), (\{1\}, \{1, 2\}), (\{2\}, \{2\}), (\{2\}, \{1 2\}), (\{1, 2\}, \{1, 2\})\}
R⊆={(∅,∅),(∅,{1}),(∅,{2}),(∅,{1,2}),({1},{1}),({1},{1,2}),({2},{2}),({2},{12}),({1,2},{1,2})}
作业2
举例说明你对函数的认识.
之前对函数的认识只有定义域、值域还有映射等,并且提到函数只会联想到数值域。但是老板讲解过后,函数的值域不一定是单个实数,也可以为一个向量,笛卡尔积可以作为值域。比如在多标签学习领域中,从m个属性的向量得出L个标签。在机器学习中的各类分类器也都是函数。
作业3
自己给定一个矩阵并计算其各种范数.
a = [ 1 2 3 − 4 − 5 6 ] a=\left[\begin{matrix} 1 & 2 \\ 3 & -4 \\ -5 & 6 \end{matrix} \right] a=⎣⎡13−52−46⎦⎤
-
l
0
范
数
l_0范数
l0范数
∣ ∣ X ∣ ∣ 0 = ∣ { ( i , j ) ∣ x i j ≠ 0 } ∣ ||\mathbf{X}||_0=|\{(i,j)|x_{ij}\neq 0\}| ∣∣X∣∣0=∣{(i,j)∣xij=0}∣
∣ ∣ X ∣ ∣ 0 = 6 ||\mathbf{X}||_0=6 ∣∣X∣∣0=6 -
l
1
范
数
l_1范数
l1范数
∣ ∣ X ∣ ∣ 1 = ∑ i , j ∣ x i j ∣ ||\mathbf{X}||_1=\sum\limits_{i, j} \vert x_{ij}\vert ∣∣X∣∣1=i,j∑∣xij∣
∣ ∣ X ∣ ∣ 1 = 21 ||\mathbf{X}||_1=21 ∣∣X∣∣1=21 -
l
2
范
数
l_2范数
l2范数
∣ ∣ X ∣ ∣ 2 = ∑ i , j ∣ x i j ∣ 2 ||\mathbf{X}||_2=\sqrt{ \sum\limits_{i, j} \vert x_{ij}\vert^2} ∣∣X∣∣2=i,j∑∣xij∣2
∣ ∣ X ∣ ∣ 2 = 91 ||\mathbf{X}||_2=\sqrt{91} ∣∣X∣∣2=91
∣ ∣ X ∣ ∣ 2 2 = ∑ i , j ∣ x i j ∣ 2 ||\mathbf{X}||_2^2={ \sum\limits_{i, j} \vert x_{ij}\vert^2} ∣∣X∣∣22=i,j∑∣xij∣2
∣ ∣ X ∣ ∣ 2 2 = 91 ||\mathbf{X}||_2^2=91 ∣∣X∣∣22=91 -
l
∞
范
数
l_\infty范数
l∞范数
∣ ∣ X ∣ ∣ ∞ = max i , j ∣ x i j ∣ ||\mathbf{X}||_\infty=\max\limits_{i,j} \vert x_{ij}\vert ∣∣X∣∣∞=i,jmax∣xij∣
∣ ∣ X ∣ ∣ ∞ = 6 ||\mathbf{X}||_\infty=6 ∣∣X∣∣∞=6
作业4
解释 推荐系统: 问题、算法与研究思路 2.1 中的优化目标各符号及含义.
min ∑ ( i , j ) ∈ Ω ( f ( x i , t i ) − r i j ) 2 \min \sum\limits_{(i,j)\in \Omega}(f(\mathbf{x}_i,\mathbf{t}_i)-r_{ij})^2 min(i,j)∈Ω∑(f(xi,ti)−rij)2
x
i
\mathbf{x}_i
xi 用户信息表中第i个用户向量.
t
i
\mathbf{t}_i
ti 商品信息表中第j个商品向量.
r
i
j
r_{ij}
rij 评分矩阵中第i个用户对第j个商品的评分.
f
(
x
i
,
t
i
)
f(\mathbf{x}_i,\mathbf{t}_i)
f(xi,ti) 预测函数,预测用户i对商品j的评分
(
f
(
x
i
,
t
i
)
−
r
i
j
)
2
(f(\mathbf{x}_i,\mathbf{t}_i)-r_{ij})^2
(f(xi,ti)−rij)2 将预测的评分减去评分矩阵中对应的评分,并对差值平方
∑
(
i
,
j
)
∈
Ω
\sum\limits_{(i,j)\in \Omega}
(i,j)∈Ω∑ 对每个非零对象的差值进行求和
min
\min
min 选差值之和最小的预测模型,是预测模型最优化