Python输入矩阵求逆矩阵,输出格式为分数形式

# coding=gbk
from fractions import Fraction
import numpy as np
np.set_printoptions(formatter={'all':lambda x: str(Fraction(x).limit_denominator())})

m = int(input("输入矩阵行数:\n"))
A = [[]for i in range(m)] 
print("请输入矩阵元素,同一行使用空格进行分隔,输入回车切换到下一行:")

for i in range(m):
    a=input().split()
    for j in range(len(a)):
        A[i].append(a[j])

array_before = np.array(A)  
array_before = np.array(array_before,dtype = 'float')
#这一行是必须的,否则矩阵在计算的过程中类型会变成object,无法求逆
array_after = np.linalg.inv(array_before)
print("逆矩阵为:\n",array_after)

相关知识点:

1.设定输出格式为分数形式

np.set_printoptions(formatter={'all':lambda x: str(Fraction(x).limit_denominator())})

2.方法split()默认以空格为分隔符,用于将字符串拆分成多个部分,并将它们存储到一个列表中。

a=input().split()

3.在求逆之前重新设定类型,以防类型变换为object导致无法求逆矩阵

array_before = np.array(array_before,dtype = 'float')

4.矩阵的每一行是一个列表,整个矩阵由列表嵌套列表形成。

  • 2
    点赞
  • 10
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
混淆矩阵是衡量分类模型性能的一种工具,它能够提供分类器的精确性、召回率和 F1 分数等指标,以了解分类结果真正的情况。Python 中的 Scikit-learn 库提供了用于生成和分析混淆矩阵的函数。在 Scikit-learn 中,混淆矩阵是使用 confusion_matrix() 函数生成的二维数组,具有真实类和预测类两个维度。真实类是分类数据集中实际类别的值,而预测类则是分类器返回的预测标签。在混淆矩阵中,每个单元格表示分类器将一个样本分类为某个类的次数,因此可以用多个指标来度量分类器性能。下面是混淆矩阵的四个组成部分: True Negative (TN):分别表示真实类是负的,预测类也是负的数量; False Positive (FP):分别表示真实类是负的,预测类是正的数量; True Positive (TP):分别表示真实类是正的,预测类也是正的数量; False Negative (FN):分别表示真实类是正的,预测类是负的数量; 通过这四个部分,我们可以计算出以下指标: Precision:是真正例的数量与假正例的总和的比率;即 TP/(TP+FP) Recall:是真正例的数量与假负例的总和的比率;即 TP/(TP+FN) F1 Score:是精确率和召回率的调和平均值,可同时考虑二者的值,其公式为:F1 Score=2*{(Precision*Recall)/(Precision+Recall)} 通过混淆矩阵,我们可以更直观地了解分类器在各个标签上的性能,找出分类器错误的地方,优化模型并提高分类准确率。
评论 1
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