《微观经济学》 第四章

第四章 消费者行为

4.1 消费者偏好与效用

效用:消费者从商品消费中获得的满足,是一个主观感受。

           测度满足程度的单位,像元、公里、千克一样。

使用价值和效用的区别:

使用价值是商品的客观属性,是商品的一种功能,对任何人在任何时间都是一样的。

效用是消费者在消费商品的过程中所获得的一个主观心理感受。

效用在经济学里和偏好是相同的概念。

总效用:在一定时期内,消费一定数量的商品,所获得的总满足程度。

边际效用(增量效用)MU:每增加一单位商品消费所获得的效用。

当我们的消费不断增加时,我们的总效用、总满足确实是逐渐增加的,但是它的增加数量增加程度是越来越在减少的,也就是边际效用是在递减的。(边际效用递减规律)

消费者在做消费决策时更关注边际效用(增量效用)。

对效用进行测度的方法:

早期:基数效用论。从不同的数量的消费中获得的满足,可以进行准确的测度。例如1、3、4、7、8、9等基数来测度。

但是效用是每个人纯粹主观的心理感受,不能够用这些基数准确测度。

序数效用论:效用是一种主观感受,不能准确的用基数测度,也不能加总求和。但是可以排序,用序数来表示。

用基数表示大小时,只取它的序数的含义,加总求和、加减乘除的含义是要排除掉的。(只能说8比5大,但不能说8比5大三个单位。&

  • 4
    点赞
  • 10
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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