数学表达式魔训_day2

1. 二元关系

老师的博客：数学表达式: 从恐惧到单挑 (4. 二元关系)

二元关系的定义

Let $\mathbf{A}$ and $\mathbf{B}$ be sets. Any $\mathbf{R}\subseteq \mathbf{A}\times \mathbf{B}$ is called a binary relation.

常见的二元关系举例：

• 若 $\mathbf{A}=\mathbf{B}=\mathbb{N}$，即均为自然数集，则 R = = { ( 0 , 0 ) , ( 1 , 1 ) , ( 2 , 2 ) , …   } \mathbf{R^=} = \{(0,0),(1,1),(2,2),\dots\} R=={(0,0),(1,1),(2,2),…}
• 若 $\mathbf{A}=\mathbf{B}=\mathbb{R}$. 则 R < = { ( x , y ) ∈ R 2 ∣ x < y } \mathbf{R^<} = \{(x,y) \in \mathbb{R}^2\vert x<y\} R<={(x,y)∈R2∣x<y}. 在二维平面上，它表示 $y=x$ 左上区域

二元关系的性质：

对于 $\mathbf{A}$ 上的关系，即 $\mathbf{R}\subseteq \mathbf{A}\times \mathbf{A}$.

• 自反性：如果 $\forall x\in \mathbf{A}$，均有 $(x,x)\in \mathbf{R}$，则称 $\mathbf{R}$ 具有自反性；
• 对称性：如果 $\forall (x,y)\in \mathbf{R}$，均有 $(y,x)\in \mathbf{R}$，则称 $\mathbf{R}$ 具有对称性；
• 传递性：如果 $\forall (x,y),(y,z)\in \mathbf{R}$，均有 $(x,z)\in \mathbf{R}$，则称 $\mathbf{R}$ 具有传递性；

2. 作业

1. 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.
   R = { ( 1 , 1 ) , ( 1 , 5 ) , ( 1 , 9 ) , ( 2 , 2 ) , ( 2 , 8 ) , ( 5 , 1 ) , ( 5 , 5 ) , ( 5 , 9 ) , ( 8 , 2 ) , ( 8 , 8 ) , ( 9 , 1 ) , ( 9 , 5 ) , ( 9 , 9 ) } \mathbf{R}=\{(1,1),(1,5),(1,9),(2,2),(2,8),(5,1),(5,5),(5,9),(8,2),(8,8),(9,1),(9,5),(9,9)\} R={(1,1),(1,5),(1,9),(2,2),(2,8),(5,1),(5,5),(5,9),(8,2),(8,8),(9,1),(9,5),(9,9)}
   P = { { 1 , 5 , 9 } , { 2 , 8 } } \mathcal{P} = \{\{1,5,9\},\{2,8\}\} P={{1,5,9},{2,8}}

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 ${\mathbf{R}}_1$ 和 ${\mathbf{R}}_2$，并计算 ${\mathbf{R}}_2\circ {\mathbf{R}}_1$，${\mathbf{R}}_1^{+}$，${\mathbf{R}}_1^{\ast }$.
   令 R 1 = { ( a , b ) ∈ A × A ∣ a < b } \mathbf{R}_1=\{(a,b)\in\mathbf{A}\times \mathbf{A}\vert a<b\} R1​={(a,b)∈A×A∣a<b}， R 2 = { ( a , b ) ∈ A × A ∣ a / 2 = b / 2 } \mathbf{R}_2=\{(a,b)\in\mathbf{A}\times \mathbf{A}\vert a/2=b/2\} R2​={(a,b)∈A×A∣a/2=b/2}
   则 R 1 = { ( 1 , 2 ) , ( 1 , 5 ) , ( 1 , 8 ) , ( 1 , 9 ) , ( 2 , 5 ) , ( 2 , 8 ) , ( 2 , 9 ) , ( 5 , 8 ) , ( 5 , 9 ) , ( 8 , 9 ) } \mathbf{R}_1 = \{(1,2),(1,5),(1,8),(1,9),(2,5),(2,8),(2,9),(5,8),(5,9),(8,9)\} R1​={(1,2),(1,5),(1,8),(1,9),(2,5),(2,8),(2,9),(5,8),(5,9),(8,9)}， R 2 = { ( 2 , 2 ) , ( 2 , 8 ) , ( 8 , 2 ) , ( 8 , 8 ) } \mathbf{R}_2 = \{(2,2),(2,8),(8,2),(8,8)\} R2​={(2,2),(2,8),(8,2),(8,8)}
   ① R 2 ∘ R 1 = { ( 1 , 2 ) , ( 1 , 8 ) , ( 2 , 2 ) , ( 2 , 8 ) , ( 5 , 2 ) , ( 5 , 8 ) } \mathbf{R}_2\circ\mathbf{R}_1 = \{(1,2),(1,8),(2,2),(2,8),(5,2),(5,8)\} R2​∘R1​={(1,2),(1,8),(2,2),(2,8),(5,2),(5,8)}.
   ② R 1 + = ⋃ i = 1 ∣ A ∣ R i = R 1 ∪ R 2 ∪ R 3 ∪ R 4 ∪ R 5 = { ( 1 , 2 ) , ( 1 , 5 ) , ( 1 , 8 ) , ( 1 , 9 ) , ( 2 , 5 ) , ( 2 , 8 ) , ( 2 , 9 ) , ( 5 , 8 ) , ( 5 , 9 ) , ( 8 , 9 ) } \mathbf{R}_1^+ = \bigcup_{i=1}^{\vert\mathbf{A}\vert}\mathbf{R}^i = \mathbf R^1\cup\mathbf R^2\cup\mathbf R^3\cup\mathbf R^4\cup\mathbf R^5=\{(1,2),(1,5),(1,8),(1,9),(2,5),(2,8),(2,9),(5,8),(5,9),(8,9)\} R1+​=⋃i=1∣A∣​Ri=R1∪R2∪R3∪R4∪R5={(1,2),(1,5),(1,8),(1,9),(2,5),(2,8),(2,9),(5,8),(5,9),(8,9)}
   ③ R 1 ∗ = R 1 + ∪ A 0 = { ( 1 , 2 ) , ( 1 , 5 ) , ( 1 , 8 ) , ( 1 , 9 ) , ( 2 , 5 ) , ( 2 , 8 ) , ( 2 , 9 ) , ( 5 , 8 ) , ( 5 , 9 ) , ( 8 , 9 ) , ( 1 , 1 ) , ( 2 , 2 ) , ( 5 , 5 ) , ( 8 , 8 ) , ( 9 , 9 ) } \mathbf{R}_1^*=\mathbf{R}_1^+\cup\mathbf{A}^0=\{(1,2),(1,5),(1,8),(1,9),(2,5),(2,8),(2,9),(5,8),(5,9),(8,9),(1,1),(2,2),(5,5),(8,8),(9,9)\} R1∗​=R1+​∪A0={(1,2),(1,5),(1,8),(1,9),(2,5),(2,8),(2,9),(5,8),(5,9),(8,9),(1,1),(2,2),(5,5),(8,8),(9,9)}

   R 1 = R = { ( 1 , 2 ) , ( 1 , 5 ) , ( 1 , 8 ) , ( 1 , 9 ) , ( 2 , 5 ) , ( 2 , 8 ) , ( 2 , 9 ) , ( 5 , 8 ) , ( 5 , 9 ) , ( 8 , 9 ) } \mathbf{R}^1 = \mathbf{R}= \{(1,2),(1,5),(1,8),(1,9),(2,5),(2,8),(2,9),(5,8),(5,9),(8,9)\} R1=R={(1,2),(1,5),(1,8),(1,9),(2,5),(2,8),(2,9),(5,8),(5,9),(8,9)}
   R 2 = R ∘ R = { ( 1 , 5 ) , ( 1 , 8 ) , ( 1 , 9 ) , ( 2 , 8 ) , ( 2 , 9 ) , ( 5 , 9 ) } \mathbf{R}^2 = \mathbf{R}\circ\mathbf{R}=\{(1,5),(1,8),(1,9),(2,8),(2,9),(5,9)\} R2=R∘R={(1,5),(1,8),(1,9),(2,8),(2,9),(5,9)}
   R 3 = R 2 ∘ R = { ( 1 , 8 ) , ( 1 , 9 ) , ( 2 , 9 ) } \mathbf{R}^3 = \mathbf{R}^2\circ\mathbf{R}=\{(1,8),(1,9),(2,9)\} R3=R2∘R={(1,8),(1,9),(2,9)}
   R 4 = R 3 ∘ R = { ( 1 , 9 ) } \mathbf{R}^4 = \mathbf{R}^3\circ\mathbf{R}=\{(1,9)\} R4=R3∘R={(1,9)}
   ${\mathbf{R}}^5={\mathbf{R}}^4\circ \mathbf{R}=\varnothing$
   注：这里的 $\mathbf{R}$ 就是上边的关系 ${\mathbf{R}}_1$

3. 查阅粗糙集上下近似的定义并大致描述.

1982年波兰学者Z. Paw lak 提出了粗糙集理论——它是一种刻画不完整性和不确定性的数学工具，能有效地分析不精确，不一致（inconsistent)、不完整（incomplete) 等各种不完备的信息，还可以对数据进行分析和推理，从中发现隐含的知识，揭示潜在的规律。
粗糙集理论是建立在分类机制的基础上的，它将分类理解为在特定空间上的等价关系，而等价关系构成了对该空间的划分。粗糙集理论将知识理解为对数据的划分，每一被划分的集合称为概念。粗糙集理论的主要思想是利用已知的知识库，将不精确或不确定的知识用已知的知识库中的知识来（近似） 刻画

假设集合 A = { a , b , c , d } \mathbf{A} = \{a, b, c, d\} A={a,b,c,d}，在精确集中可以确定 $a,b,c,d$ 是集合 $\mathbf{A}$ 的元素；但在粗糙集中无法确定某些元素是否一定属于某个集合，可能属于，也可能不属于。这就出现了不确定的集合，即用粗糙集对其表示。
对于某个确定属于粗糙集的集合 $\mathbf{X}$，下近似集是在那些所有的包含于X 的知识库中的集合中求交得到的，上近似则是将那些包含X的知识库中的集合求并得到的。

4. 举例说明对函数的认识.
   我认为函数其实就是探讨输入和输出的关系，即是输入到输出的映射。函数的定义域和值域都是集合，且对定义域的任意一个数，在值域中都有唯一确定的数与之对应。在机器学习中，也有函数的存在。
   在回归问题中，比如通过以往的房价数据，预测未来的房价。在学习过程中，就是要去拟合这样的一个函数，以做出更好的预测。
5. 自己给定一个矩阵并计算其各种范数.
   给定矩阵 $\mathbf{X}$

$$\mathbf{X}=\left[\begin{array}{cc}1& 0\\ 2& -1\end{array}\right]$$

• $l_0$ 范数：$||\mathbf{X}|{|}_0=3$ （非零项的个数）
• $l_1$ 范数：$||\mathbf{X}|{|}_1=1+0+2+1=4$ （绝对值之和）
• $l_2$ 范数：$||\mathbf{X}|{|}_2=\sqrt{1^2+0^2+2^2+(-1{)}^2}=\sqrt{6}$
  $||\mathbf{X}|{|}_2^2=1^2+0^2+2^2+(-1{)}^2=6$ （平方和）
• $l_{\infty }$ 范数：$||\mathbf{X}|{|}_{\infty }=2$

6. 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

${\mathbf{x}}_i$ 表示用户信息表 $\mathbf{X}=[{\mathbf{x}}_1,\dots ,{\mathbf{x}}_n{]}^{\mathrm{T}}$ 中具体的某一个用户的信息；${\mathbf{t}}_j$ 表示商品信息表 $\mathbf{T}=[\mathbf{t}1,\dots ,{\mathbf{t}}_n{]}^{\mathrm{T}}$ 中具体的某一个商品的信息；$r_{ij}$ 表示评分矩阵 $\mathbf{R}=(r_{ij}{)}_{n\times m}$中具体的某个评分，其取值范围为 { 0 , 1 , 2 , 3 , 4 , 5 } \{0,1,2,3,4,5\} {0,1,2,3,4,5}；$\Omega$ 为评分矩阵 $\mathbf{R}$ 中非零元素对应位置的集合；函数 $f:R^{d_u}\times R^{d_t}\to R$，$d_u$ 表示用户的属性数，$d_t$ 表示商品的属性数。即要学习一个 $f$ 用于商品的推荐，优化的目标是最小化训练集上的 MSE。即使得 $f({\mathbf{x}}_i,{\mathbf{t}}_j)$ 和 $r_{ij}$ 的均方误差尽可能小。