第二周的作业

1. 写出下图的邻接矩阵。
   $\mathbf{E}=\left[\begin{array}{cccc}0& 1& 1& 1\\ 1& 0& 1& 0\\ 1& 1& 0& 1\\ 1& 0& 1& 0\end{array}\right]$

2. 定义无向网络
   Definition 1. A undirected net is a tuple $G=(\mathbf{V},w)$, where $\mathbf{V}$ is the set of nodes,and $w:\mathbf{V}\times \mathbf{V}\to \mathbb{R}$ is the weight function where $w(v_i,v_j)$ is the weight of the arc $(v_i,v_j)$,and$(v_i,v_j)\in \mathbf{V}\times \mathbf{V}$ iff $(v_j,v_i)\in \mathbf{V}\times \mathbf{V}.$

3. 画一棵树，将其元组各部分写出来（特别是函数$p$).
   

$G=(\mathbf{V},r,p)$
V = { v 1 , … , v 6 } V=\{v_1,\dots,v_6\} V={v1​,…,v6​}
$r=v_1$
4. 针对该树，将代码中的变量值写出来（特别是parent数组）.

public class Tree {
	/**
	 * 节点数. 表示节点 v_0 至 v_{n-1}.
	 */
	int n;
	
	/**
	 * 根节点. 0 至 n-1.
	 */
	int root;
	
	/**
	 * 父节点.
	 */
	int[] parent;

	/**
	 * 构造一棵树, 第一个节点为根节点, 其余节点均为其直接子节点, 也均为叶节点.
	 */
	public Tree(int paraN) {
		n = paraN;
		parent = new int[n];
		parent[0] = -1; // -1 即 \phi
	}// Of the constructor
}//Of class Tree

n=5;
parent={-1,1,1,2,2,3}

5. 画一棵三叉树, 并写出它的 child 数组.
   

child 数组：
$\mathbf{E}=\left[\begin{array}{ccc}2& 3& -1\\ 4& 5& 6\\ -1& -1& -1\\ -1& -1& -1\\ -1& -1& -1\\ -1& -1& -1\end{array}\right]$

6. 按照本贴风格, 重新定义树. 提示: 还是应该定义 parent 函数, 字母表里面只有一个元素.

Let $\varphi$ be the empty node, a tree is a quadruple $T=(\mathbf{V},\Sigma ,r,p)$,where

• $\mathbf{V}$ is the set of nodes;
• $\Sigma$ is the alphabet;
• $r\in \mathbf{V}$ is the root node;
• p : ( V ∪ { ϕ } ) × Σ ∗ → V ∪ { ϕ } p:(\mathbf{V}\cup\{\phi\})\times\Sigma^*\to\mathbf{V}\cup\{\phi\} p:(V∪{ϕ})×Σ∗→V∪{ϕ} satisfying
  • $\forall v\in \mathbf{V},\exists 1s\in {\Sigma }^{\ast }st.p(r,s)=v.$

7. 根据图、树、m mm-叉树的学习, 谈谈你对元组的理解.

描述用不同属性组合成的某一定义的关系。

8. 写出本例中的 $\mathbf{U},\mathbf{C},\mathbf{D}和\mathbf{V}$. 注: 最后两个属性为决策属性.
   
   U = { x 1 , x 2 , x 3 , x 4 , x 5 , x 6 , x 7 } \mathbf{U}=\{x_1,x_2,x_3,x_4,x_5,x_6,x_7\} U={x1​,x2​,x3​,x4​,x5​,x6​,x7​}.
   $\mathbf{C}=$ { \{ {Headache,Tempersture,Lymphocyte,Leukocyte,Eosinophil$\}.$
   $\mathbf{D}=$ { \{ {Heartbeat,flu$\}.$
   $\mathbf{V}=$ { \{ {Normal,Abnormal,Yes,No$\}.$

9. 定义一个标签分布系统, 即各标签的值不是 0/1, 而是 [0, 1] 区间的实数, 且同一对象的标签和为 1.
   Definition 2. A multi-label decision system is a tuple $S=(\mathbf{X},\mathbf{Y})$ where $\mathbf{X}=[x_{ij}{]}_{n\times m}\in {\mathbb{R}}^{n\times m}$ is the data matrix, Y = [ y i k ] n × l ∈ { 0 , 1 } n × l \mathbf{Y}=[y_{ik}]_{n{\times}l}\in\{0,1\}^{n{\times}l} Y=[yik​]n×l​∈{0,1}n×l is the label matrix,and ${\sum }_{r=1}^l{y}_{ir}=1,n$ is the number of instances,and $m$ is the number of features,and $l$ is the number of labels.