作业1
1.将向量下标为偶数的分量 (x2, x4, …) 累加, 写出相应表达式.
∑ i = 0 ∣ ∣ i m o d 2 = 0 n x i \sum_{i=0 ||i\mod 2=0}^n{x_i} i=0∣∣imod2=0∑nxi
2.各出一道累加、累乘、积分表达式的习题, 并给出标准答案.
-
累加:上三角矩阵分量的累加
∑ i = 1 n ∑ j = i n x i j \sum_{i=1}^n \sum_{j=i}^n{x_{ij}} i=1∑nj=i∑nxij -
累乘:下三角矩阵分量的累乘
∏ i = 1 n ∏ j = 1 i x i j \prod_{i=1}^n\prod_{j=1}^i{x_{ij}} i=1∏nj=1∏ixij -
积分:二重积分
∫ 1 3 ∫ x x 2 1 2 x 2 + x y + y d y d x \int_{1}^{3}\int_{x}^{x^2}{\frac{1}{2}{x^2}+xy+y}\mathrm{d}y\mathrm{d}x ∫13∫xx221x2+xy+ydydx
3.你使用过三重累加吗? 描述一下其应用.
通过网上资料了解到,求时间复杂度会应用多重求和
比如
T
(
n
)
=
O
(
∑
i
=
1
n
∑
j
=
1
i
∑
k
=
1
j
1
)
=
O
(
n
3
)
T(n)=O\left(\sum_{i=1}^n\sum_{j=1}^i\sum_{k=1}^j{1} \right)=O\left(n^3\right)
T(n)=O(i=1∑nj=1∑ik=1∑j1)=O(n3)
∑
i
=
1
n
∑
j
=
1
i
∑
k
=
1
j
1
=
∑
i
=
1
n
i
(
i
+
1
)
2
=
1
2
[
n
(
n
+
1
)
(
2
n
+
1
)
6
+
n
(
n
+
1
)
2
]
=
n
(
n
+
1
)
(
n
+
2
)
)
6
\sum_{i=1}^n\sum_{j=1}^i\sum_{k=1}^j{1}=\sum_{i=1}^n \frac{i(i+1)}{2}=\frac{1}{2}\left[\frac{n(n+1)(2n+1)}{6} +\frac{n(n+1)}{2}\right]=\frac{n(n+1)(n+2))}{6}
i=1∑nj=1∑ik=1∑j1=i=1∑n2i(i+1)=21[6n(n+1)(2n+1)+2n(n+1)]=6n(n+1)(n+2))
4.给一个常用的定积分, 将手算结果与程序结果对比.
∫ 2 4 d x 2 x + 1 \int_2^4{\frac{\mathrm{d}x}{2x+1}} ∫242x+1dx
- 手算
{ 1 2 ln ∣ 2 x + 1 ∣ } ∣ 2 4 = 1 2 ( ln 9 − l n 5 ) ≈ 0.29389333245105950409486557030943 \{\frac{1}{2}\ln{|2x+1|}\}|_2^4=\frac{1}{2}(\ln9-ln5)\approx0.29389333245105950409486557030943 {21ln∣2x+1∣}∣24=21(ln9−ln5)≈0.29389333245105950409486557030943 - 程序
作业2
自己写一个小例子 (n = 3,m = 1) 来验证最小二乘法.
数据集
X
=
[
1
10.0
1
9.8
1
11.2
]
\mathbf{X}=\left[\begin{matrix} 1 & 10.0 \\ 1 & 9.8 \\ 1 & 11.2 \end{matrix} \right]
X=⎣⎡11110.09.811.2⎦⎤
标签
Y
=
[
0.3
,
0.2
,
0.5
]
T
\mathbf{Y}=[0.3,0.2,0.5]^{T}
Y=[0.3,0.2,0.5]T
建立线性模型为
y
=
f
(
x
)
=
a
x
+
b
y=f(x)=ax+b
y=f(x)=ax+b
系数向量
w
=
[
w
1
,
w
2
]
T
,
w
1
=
b
\mathbf{w}=[w_1,w_2]^{T},w_1=b
w=[w1,w2]T,w1=b
其中
X
w
≈
Y
\mathbf{X}\mathbf{w} \approx \mathbf{Y}
Xw≈Y
要求线性模型,需要满足
arg min
w
∣
∣
X
w
−
Y
∣
∣
2
2
\argmin_{\mathbf{w}} ||\mathbf{X} \mathbf{w} - \mathbf{Y}||_2^2
wargmin∣∣Xw−Y∣∣22
w
=
(
X
T
X
)
−
1
X
T
Y
\mathbf{w}=\left(\mathbf{X}^{T}\mathbf{X} \right)^{-1}\mathbf{X}^{T}\mathbf{Y}
w=(XTX)−1XTY
求得
w
=
[
−
1.709302330.19767442
]
T
\mathbf{w}=[-1.70930233 0.19767442]^{T}
w=[−1.709302330.19767442]T
a=0.19767442
b=-1.70930233
作业3
自己推导一遍, 并描述这个方法的特点 (不少于 5 条).
1.采用 sigmoid 函数,实现二分类。
2.推导过程中将
w
\mathbf{w}
w当做参数使用
3.用
x
w
\mathbf{xw}
xw表示点与空间向量的距离
4.在推导过程使用对数 log,简化计算过程
5.将距离转化成概率