摘要
日常总是在用的时候,发现不会写的,就去网上查,因为没仔细总结,直接无脑粘贴,以至于会反复的查询相同的问题,借魔训的机会,把latex中需要用到的数学表达式进行总结。
公式编号
自动编号
\begin{equation} \label{equation:1}
a + b = c
\end{equation}
### 手动编号
\mathbf{A} = \mathbf{B} + \mathbf{C} \tag{1}
A
=
B
+
C
(2)
\mathbf{A} = \mathbf{B} + \mathbf{C} \tag{2}
A=B+C(2)
符号表(持续更新)
Type | Cmd | Result |
---|---|---|
无穷 | \infty | ∞ \infty ∞ |
向量 | \mathbf{x} | x \mathbf{x} x |
矩阵 | \mathbf{X} | X \mathbf{X} X |
实数集 | \mathbb{R} | R \mathbb{R} R |
空集 | \emptyset | ∅ \emptyset ∅ |
关系圈乘 | \circ | ∘ \circ ∘ |
竖线 | \vert | ∣ \vert ∣ |
双竖线 | \Vert | ∥ \Vert ∥ |
下标 | s_1 | s 1 s_1 s1 |
乘 | \times | × \times × |
除 | \frac {a} {b} | a b \frac {a} {b} ba |
平方 | 3^2 | 3 2 3^2 32 |
开方 | \sqrt{2} | 2 \sqrt{2} 2 |
求和 | \sum_{i=1}^{4} x_i | ∑ i = 1 4 x i \sum_{i=1}^{4} x_i ∑i=14xi |
连乘 | \prod_{i=1}^{4} x_i | ∏ i = 1 4 x i \prod_{i=1}^{4} x_i ∏i=14xi |
分数 | \frac {1} {3} | 1 3 \frac {1} {3} 31 |
积分 | \int_{0}^{2} x^2\mathrm{d} | ∫ 0 2 x 2 d x \int_{0}^{2} x^2\mathrm{d}x ∫02x2dx |
子集 | \subset | ⊂ \subset ⊂ |
包含 | \subseteq | ⊆ \subseteq ⊆ |
任意 | \forall | ∀ \forall ∀ |
存在 | \exists | ∃ \exists ∃ |
左单箭头 | \leftarrow | ← \leftarrow ← |
左双箭头 | \leftarrow | ⇐ \Leftarrow ⇐ |
右单箭头 | \rightarrow | → \rightarrow → |
指向右单箭头 | \to | → \to → |
右双箭头 | \rightarrow | ⇒ \Rightarrow ⇒ |
上单箭头 | \uparrow | ↑ \uparrow ↑ |
上双箭头 | \uparrow | ⇑ \Uparrow ⇑ |
下单箭头 | \downarrow | ↓ \downarrow ↓ |
下双箭头 | \downarrow | ⇓ \Downarrow ⇓ |
左右单箭头 | \leftrightarrow | ↔ \leftrightarrow ↔ |
左右双箭头 | \Leftrightarrow | ⇔ \Leftrightarrow ⇔ |
上下单箭头 | \updownarrow | ↕ \updownarrow ↕ |
上下双箭头 | \Updownarrow | ⇕ \Updownarrow ⇕ |
无括号矩阵 | \left( \begin{\matrix}a &b &c\end{\matrix}\right) | ( a b c d e f ) \left( \begin{matrix}a &b &c\\d&e&f\end{matrix}\right) (adbecf) |
圆括号矩阵 | \begin{\pmatrix}a &b &c \d&e&f\end{\pmatrix} | ( a b c d e f ) \begin{pmatrix}a &b &c\\d&e&f\end{pmatrix} (adbecf) |
方括号矩阵 | \begin{\bmatrix}a &b &c\d&e&f\end{\bmatrix} | [ a b c d e f ] \begin{bmatrix}a &b &c\\d&e&f\end{bmatrix} [adbecf] |
竖线矩阵 | \begin{\vmatrix}a &b &c\d&e&f\end{\vmatrix} | ∣ a b c d e f ∣ \begin{vmatrix}a &b &c\\d&e&f\end{vmatrix} ∣∣∣∣adbecf∣∣∣∣ |
花括号矩阵 | \begin{\Bmatrix}a &b &c\d&e&f\end{\Bmatrix} | { a b c d e f } \begin{Bmatrix}a &b &c\\d&e&f\end{Bmatrix} {adbecf} |
双竖线矩阵 | \begin{\Vmatrix}a &b &c\d&e&f\end{\Vmatrix} | ∥ a b c d e f ∥ \begin{Vmatrix}a &b &c\\d&e&f\end{Vmatrix} ∥∥∥∥adbecf∥∥∥∥ |
关系表达(持续更新)
- a \in \mathbf{B}=> a ∈ B a \in \mathbf{B} a∈B
- \mathbf{A} \subseteq \mathbf{B} => A ⊆ B \mathbf{A} \subseteq \mathbf{B} A⊆B
- \mathbf{X} \cup \mathbf{Y}=> X ∪ Y \mathbf{X} \cup \mathbf{Y} X∪Y
- \mathbf{X} \cap \mathbf{Y}=> X ∩ Y \mathbf{X} \cap \mathbf{Y} X∩Y
- \mathbf{X} \setminus \mathbf{Y}=> X ∖ Y \mathbf{X} \setminus \mathbf{Y} X∖Y
- \overline{\mathbf{X}} = \mathbf{U} \setminus \mathbf{X}=> X ‾ = U ∖ X . \overline{\mathbf{X}} = \mathbf{U} \setminus \mathbf{X}. X=U∖X.
- \underline{\mathbf{X}} = \mathbf{U} \setminus \mathbf{X}=> X ‾ = U ∖ X . \underline{\mathbf{X}} = \mathbf{U} \setminus \mathbf{X}. X=U∖X.
- \mathbf{X} = {x_i}_{i = 1}^n = {x_1, x_2, \dots, x_n}=> X = { x i } i = 1 n = { x 1 , x 2 , … , x n } \mathbf{X} = \{x_i\}_{i = 1}^n = \{x_1, x_2, \dots, x_n\} X={xi}i=1n={x1,x2,…,xn}
- 2^{\mathbf{A}} = {\mathbf{B} \vert \mathbf{B} \subseteq \mathbf{A}}=> 2 A = { B ∣ B ⊆ A } 2^{\mathbf{A}} = \{\mathbf{B} \vert \mathbf{B} \subseteq \mathbf{A}\} 2A={B∣B⊆A}
- $\left(\mathbf{S}=\sum_i^n\textrm{x}_i\right)$=> ( S = ∑ i n x i ) \left(\mathbf{S}=\sum_i^n\textrm{x}_i\right) (S=∑inxi)
- $ $ \left(\mathbf{S}=\sum_i^n\textrm{x}_i\right) \tag{2} $ $ => ( S = ∑ i n x i ) (3) \left(\mathbf{S}=\sum_i^n\textrm{x}_i\right) \tag{3} (S=i∑nxi)(3)
- \mathbf{A} \times \mathbf{B} = {(a, b) \vert a \in \mathbf{A}, b \in \mathbf{B}}=> A × B = { ( a , b ) ∣ a ∈ A , b ∈ B } \mathbf{A} \times \mathbf{B} = \{(a, b) \vert a \in \mathbf{A}, b \in \mathbf{B}\} A×B={(a,b)∣a∈A,b∈B}
- \mathbf{A} \times \mathbf{B} \ne \mathbf{B} \times \mathbf{A}=> A × B ≠ B × A \mathbf{A} \times \mathbf{B} \ne \mathbf{B} \times \mathbf{A} A×B=B×A
向量矩阵运算(持续更新)
- \mathbf{x}^{\mathrm{T}} = [x_1; x_2; \dots; x_m]=> x T = [ x 1 ; x 2 ; … ; x m ] \mathbf{x}^{\mathrm{T}} = [x_1; x_2; \dots; x_m] xT=[x1;x2;…;xm]
- \mathbf{a} \cdot \mathbf{b} = \mathbf{a} \mathbf{b}^\mathrm{T} = \sum_{i=1}^n a_i b_i=> a ⋅ b = a b T = ∑ i = 1 n a i b i \mathbf{a} \cdot \mathbf{b} = \mathbf{a} \mathbf{b}^\mathrm{T} = \sum_{i=1}^n a_i b_i a⋅b=abT=∑i=1naibi
- \mathbf{x}\mathbf{w}^{T} \sum_i^nx_iw_i=> x w T = ∑ i n x i w i \mathbf{x}\mathbf{w}^T=\sum_i^nx_iw_i xwT=∑inxiwi
数学知识总结(持续更新)
-
一个集合元素 n个元素要么选, 要么不选, 相当于 n 位二进制数, 所以有 2 n 2^n 2n种可能. 这也是幂集的来由.
-
给定 A = { a , b , c , d } \mathbf{A} = \{a, b, c, d\} A={a,b,c,d} 上的关系 R \mathbf{R} R
正闭包: R + = ⋃ i = 1 ∣ A ∣ R i \mathbf{R}^+ = \bigcup_{i = 1}^{\vert \mathbf{A} \vert} \mathbf{R}^i R+=⋃i=1∣A∣Ri
克林闭包: R ∗ = R + ∪ R 0 \mathbf{R}^* = \mathbf{R}^+ \cup \mathbf{R}^0 R∗=R+∪R0, 其中 R 0 = { ( x , x ) ∣ x ∈ A } \mathbf{R}^0 = \{(x, x) \vert x \in \mathbf{A}\} R0={(x,x)∣x∈A}
踩坑记录(持续更新)
- 行内公式,csdn中$与表达式间不能用空格,如$\mathbf{x} $ 或$ \mathbf{x}$ 都无法得到 x \mathbf{x} x, 只有$\mathbf{x}$才能得到,且第一个$前需要一个空格分隔.
作业(持续更新)
2021.7.26
- 令 A = { 3 , 5 } \mathbf{A} = {3, 5} A={3,5}, 写出
2
A
2^{\mathbf{A}}
2A
{ ∅ \emptyset ∅},{3},{5},{3,5} - 展开
2
∅
2^{\emptyset}
2∅
∅ \emptyset ∅ { ∅ } \{\emptyset\} {∅} - 令
A
\mathbf{A}
A = {5, 6, 7, 8, 9} 写出
A
\mathbf{A}
A的其它两种表示法
A = { x ∣ x ∈ N , x = 5 , 6 , 7 , 8 , 9 } \mathbf{A}=\{x|x \in \mathbf{N}, x=5,6,7,8,9\} A={x∣x∈N,x=5,6,7,8,9}
A = { x ∈ N ∣ x = 5 , 6 , 7 , 8 , 9 } \mathbf{A}=\{x \in \mathbf{N} |x=5,6,7,8,9\} A={x∈N∣x=5,6,7,8,9} - 自己出数据, 做一个 3
×
\times
× 2 与 2
×
\times
× 4 的矩阵乘法
A = [ 1 2 3 4 5 6 ] \mathbf{A}= \begin{bmatrix}1 &2\\3&4\\5&6\end{bmatrix} A=⎣⎡135246⎦⎤
B = [ 7 8 9 10 11 12 13 14 ] \mathbf{B}= \begin{bmatrix}7&8&9&10\\11&12&13&14\end{bmatrix} B=[7118129131014]
A × B = [ 1 ∗ 7 + 2 ∗ 11 1 ∗ 8 + 2 ∗ 12 1 ∗ 9 + 2 ∗ 13 1 ∗ 10 + 2 ∗ 14 3 ∗ 7 + 4 ∗ 11 3 ∗ 8 + 4 ∗ 12 3 ∗ 9 + 4 ∗ 13 3 ∗ 10 + 4 ∗ 14 5 ∗ 7 + 6 ∗ 11 5 ∗ 8 + 6 ∗ 12 5 ∗ 9 + 6 ∗ 13 5 ∗ 10 + 6 ∗ 14 ] \mathbf{A} \times \mathbf{B}= \begin{bmatrix} 1*7+2*11&1*8+2*12&1*9+2*13&1*10+2*14\\3*7+4*11&3*8+4*12&3*9+4*13&3*10+4*14\\5*7+6*11&5*8+6*12&5*9+6*13&5*10+6*14\end{bmatrix} A×B=⎣⎡1∗7+2∗113∗7+4∗115∗7+6∗111∗8+2∗123∗8+4∗125∗8+6∗121∗9+2∗133∗9+4∗135∗9+6∗131∗10+2∗143∗10+4∗145∗10+6∗14⎦⎤
⇓ \Downarrow ⇓
A × B = [ 29 32 35 38 65 72 79 86 101 112 123 134 ] \mathbf{A} \times \mathbf{B}= \begin{bmatrix} 29&32&35&38\\65&72&79&86\\101&112&123&134\end{bmatrix} A×B=⎣⎡2965101327211235791233886134⎦⎤
2021.7.27
-
令 A = { 1 , 2 , 5 , 8 , 9 } \mathbf{A} = \{1, 2, 5, 8, 9\} A={1,2,5,8,9}, 写出 A \mathbf{A} A 上的 “模 2 同余”
关系及相应的划分模2同余关系: R = { ( a , b ) ∈ A × A ∣ a m o d 2 = b m o d 2 } \mathbf{R} = \{(a, b) \in \mathbf{A} \times \mathbf{A} \vert a \mod 2 = b \mod 2\} R={(a,b)∈A×A∣amod2=bmod2}
划分: P = { { 1 , 5 , 9 } , { 2 , 8 } } \mathcal{P}=\{\{1,5,9\},\{2,8\}\} P={{1,5,9},{2,8}} -
令 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 R 1 \mathbf{R}_1 R1 和 R 2 \mathbf{R}_2 R2, 并计算 R 1 ∘ R 2 \mathbf{R}_1 \circ \mathbf{R}_2 R1∘R2, R 1 + , R 1 ∗ \mathbf{R}_1^+,\mathbf{R}_1^* R1+,R1∗
R 1 = { ( 1 , 5 ) , ( 1 , 2 ) , ( 5 , 2 ) } \mathbf{R_1} = \{\left(1,5\right),\left(1,2\right), \left(5,2\right)\} R1={(1,5),(1,2),(5,2)} R 2 = { ( 1 , 8 ) , ( 2 , 5 ) } \mathbf{R_2} = \{\left(1,8\right),\left(2,5\right)\} R2={(1,8),(2,5)}
R 1 ∘ R 2 = { ( 1 , 5 ) } \mathbf{R_1} \circ \mathbf{R_2} = \{\left(1,5\right)\} R1∘R2={(1,5)}
R 1 2 = { ( 1 , 2 ) } \mathbf{R_1^2}=\{\left(1,2\right)\} R12={(1,2)}
R 1 3 = ∅ \mathbf{R_1^3}=\emptyset R13=∅
R 1 4 = ∅ \mathbf{R_1^4}=\emptyset R14=∅
R 1 + = R 1 1 ∪ R 1 2 ∪ R 1 3 ∪ R 1 4 ∪ R 1 5 = { ( 1 , 5 ) , ( 1 , 2 ) , ( 5 , 2 ) } \mathbf{R}_1^+ =\mathbf{R_1^1} \cup\mathbf{R_1^2}\cup\mathbf{R_1^3}\cup\mathbf{R_1^4}\cup\mathbf{R_1^5}=\{\left(1,5\right),\left(1,2\right), \left(5,2\right)\} R1+=R11∪R12∪R13∪R14∪R15={(1,5),(1,2),(5,2)}
R 1 ∗ = R 1 + ∪ R 0 = { ( 1 , 5 ) , ( 1 , 2 ) , ( 5 , 2 ) , ( 1 , 1 ) , ( 2 , 2 ) , ( 5 , 5 ) , ( 8 , 8 ) , ( 9 , 9 ) } \mathbf{R}_1^* =\mathbf{R}_1^+\cup \mathbf{R_0}=\{\left(1,5\right),\left(1,2\right), \left(5,2\right),\left(1,1\right),\left(2,2\right),\left(5,5\right),\left(8,8\right),\left(9,9\right)\} R1∗=R1+∪R0={(1,5),(1,2),(5,2),(1,1),(2,2),(5,5),(8,8),(9,9)}
-
查阅粗糙集上下近似的定义并大致描述
上近似和下近似:上近似是指包含 给定集合 X 元素的最小可定义集。下近似则是包含于X的最大可定义集 -
自己给定一个矩阵并计算其各种范数
A = [ 1 − 2 3 4 ] \mathbf{A}= \begin{bmatrix}1 &-2\\3&4\end{bmatrix} A=[13−24]
l 0 = ∥ A ∥ 0 = 3 \mathrm{l}_0=\Vert\mathbf{A}\Vert_{0}=3 l0=∥A∥0=3(count element larger that zero)
l 1 = ∥ A ∥ 1 = ∑ i , j ∣ a i j ∣ = 1 + 2 + 3 + 4 = 10 \mathrm{l}_1=\Vert\mathbf{A}\Vert_{1}=\sum_{i,j}\vert a_{ij}\vert=1+2+3+4=10 l1=∥A∥1=∑i,j∣aij∣=1+2+3+4=10
l 2 2 = ∥ A ∥ 2 2 = 1 2 + ( − 2 ) 2 + 3 2 + 4 2 = 30 \mathrm{l}_2^2=\Vert\mathbf{A}\Vert_{2}^2= 1^2+(-2)^2+3^2+4^2=30 l22=∥A∥22=12+(−2)2+32+42=30
l 2 = l 2 2 = 30 \mathrm{l}_2=\sqrt{\mathrm{l}_2^2}=\sqrt{30} l2=l22=30
l ∞ = ∥ A ∥ ∞ = 4 \mathrm{l}_\infty=\Vert\mathbf{A}\Vert_{\infty}= 4 l∞=∥A∥∞=4(maximum element)
l − ∞ = ∥ A ∥ − ∞ = − 2 \mathrm{l}_{-\infty}=\Vert\mathbf{A}\Vert_{-{\infty}}= -2 l−∞=∥A∥−∞=−2(minimum element) -
举例说明你对函数的认识
万物皆函数,建模,例如单位圆为 x 2 + y 2 = 1 , 单 位 球 为 x 2 + y 2 + z 2 = 1 x^2+y^2=1,单位球为x^2+y^2+z^2=1 x2+y2=1,单位球为x2+y2+z2=1 -
解释 推荐系统: 问题、算法与研究思路 2.1 中的优化目标各符号及含义
min ∑ ( i , j ) ∈ Ω ( f ( x i , t j ) − r i j ) 2 \min \sum_{(i, j) \in \Omega} (f(\mathbf{x}_i, \mathbf{t}_j) - r_{ij})^2 min(i,j)∈Ω∑(f(xi,tj)−rij)2其实就是最小二乘, f ( x i , t j ) 为 计 算 值 , r i j f(\mathbf{x}_i, \mathbf{t}_j)为计算值, r_{ij} f(xi,tj)为计算值,rij为真实值,逐步优化拟合值与真实值之间最小二乘,其实这里应该要加上一个二次罚函数正则项以避免过拟合
2021.7.28
-
将向量下标为偶数的分量 (x2, x4, …) 累加, 写出相应表达式
∑ i m o d 2 = 0 n x i \sum_{i\mod2 = 0}^{n} x_i imod2=0∑nxi -
各出一道累加、累乘、积分表达式的习题, 并给出标准答案
X = { 1 , 2 , 3 , 4 } \mathbf{X}=\{1,2,3,4\} X={1,2,3,4}
∑ i = 1 4 x i = 10 (4) \sum_{i=1}^{4} x_i=10 \tag{4} i=1∑4xi=10(4)
∏ i = 1 4 x i = 24 (5) \prod_{i=1}^{4} x_i=24 \tag{5} i=1∏4xi=24(5)∫ 0 2 x 2 d x = 1 3 x 3 ∣ 0 2 = 8 3 (6) \int_{0}^{2} x^2\mathrm{d}x=\frac {1} {3} \mathrm{x}^3\vert_0^2=\frac {8} {3} \tag{6} ∫02x2dx=31x3∣02=38(6)
-
你使用过三重累加吗? 描述一下其应用
背包算法?物品大小,价格,重量三个维度? -
给一个常用的定积分, 将手算结果与程序结果对比
手算过程参考题12, ∫ 0 2 x 2 d x = 8 3 \int_{0}^{2} x^2\mathrm{d}x=\frac {8} {3} ∫02x2dx=38 -
自己写一个小例子 ( n = 3 , m = 1 n=3,m=1 n=3,m=1) 来验证最小二乘法
x 1 \mathrm{x_1} x1 | x 2 \mathrm{x_2} x2 | x 3 \mathrm{x_3} x3 | y \mathrm{y} y |
---|---|---|---|
2 | 4 | 6 | 20 |
2.1 | 4.4 | 6.1 | 22 |
1.9 | 4.2 | 5.7 | 19.6 |
x = [ x 1 x 2 x 3 ] w = [ 3 2 1 ] (7) \mathbf{x}=\begin{bmatrix}\mathrm{x_1}&\mathrm{x_2}&\mathrm{x_3}\end{bmatrix} \space \mathbf{w}=\begin{bmatrix}3\\2\\1\end{bmatrix} \tag{7} x=[x1x2x3] w=⎣⎡321⎦⎤(7)
y = x w = 3 × x 1 + 2 × x 2 + x 3 (8) \mathbf{y}=\mathrm{x}\mathrm{w}=3 \times \mathrm{x_1}+2\times \mathrm{x_2}+\mathrm{x_3} \tag{8} y=xw=3×x1+2×x2+x3(8)
- 自己推导一遍, 并描述这个方法的特点 (不少于 5 条)
- 实现简单,广泛的应用于工业问题上;
- 分类时计算量非常小,速度很快,存储资源低;
- 便利的观测样本概率分数;
- 对逻辑回归而言,多重共线性并不是问题,它可以结合L2正则化来解决该问题;
- 计算代价不高,易于理解和实现;
20210802
- 定义无向网络
Definition 11.4 A non-directed net is a tuple G = ( V , w ) G = (\mathbf{V}, w) G=(V,w), where V \mathbf{V} V is the set of nodes, and w : V × V → R w: \mathbf{V} \times \mathbf{V} \to \mathbb{R} w:V×V→R is the weight function, Where ∀ edge ( v i , v j ) \forall \textrm{edge} \left(v_i,v_j\right) ∀edge(vi,vj), Satisfying w ( i , j ) = w ( j , i ) w\left(i,j\right)=w\left(j,i\right) w(i,j)=w(j,i).
- 自己画一棵树, 将其元组各部分写出来 (特别是函数 p p p).
T
=
(
V
,
r
,
p
)
T = (\mathbf{V}, r, p)
T=(V,r,p)
V
\mathbf{V}
V={1,2,3,4}
r
=
1
r=1
r=1
p
(
3
)
=
p
(
4
)
=
2
p(3)=p(4)=2
p(3)=p(4)=2
p
(
2
)
=
1
p(2)=1
p(2)=1
p
(
1
)
=
ϕ
p(1)=\phi
p(1)=ϕ
-
针对该树, 将代码中的变量值写出来 (特别是 parent 数组).
p a r e n t \mathrm{parent} parent[0]=-1
p a r e n t \mathrm{parent} parent[1]=0
p a r e n t \mathrm{parent} parent[2]=1
p a r e n t \mathrm{parent} parent[3]=1 -
画一棵三叉树, 并写出它的 child 数组.
[ 2 − 1 3 4 5 6 − 1 − 1 − 1 ] \begin{bmatrix}2&-1&3\\4&5&6\\-1&-1&-1\end{bmatrix} ⎣⎡24−1−15−136−1⎦⎤ -
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 ϕ \phi ϕ be the empty node, an 1-tree is a T r e e \mathbf{Tree} Tree = ( V , r , Σ , c \mathbf{V}, r, \Sigma,c V,r,Σ,c) where
V \mathbf{V} V is the set of nodes;
r ∈ V r \in \mathbf{V} r∈V is the root node;
Σ \Sigma Σ is the alphabet(only one char);
c : V × Σ ∗ → V ∪ { ϕ } c: \mathbf{V} \times \Sigma^* \to \mathbf{V} \cup \{\phi\} c:V×Σ∗→V∪{ϕ} satisfying
∀ v ∈ V , ∃ 1 s ∈ Σ ∗ \forall v \in \mathbf{V}, \exists 1 s \in \Sigma^* ∀v∈V,∃1s∈Σ∗ s.t. c ( r , s ) = v c\left(r,s\right)=v c(r,s)=v -
根据图、树、m-叉树的学习, 谈谈你对元组的理解.
元组是把数据结构抽象到元组里,方便建模计算,有的可以用二元组,有的可以用三元组,N维就用N元组,元组之间的关系运算也非常有用,例如图的一阶可达,二阶/n阶可达及路径数都能很清晰的表达出来。
20210803
-
定义一个标签分布系统, 即各标签的值不是 0/1, 而是 [ 0 , 1 ] \begin{bmatrix}0,1\end{bmatrix} [0,1]区间的实数, 且同一对象的标签和为 1.
Definition 6. A label distribution system is a tuple S = ( X , Y ) \mathbf{S} = \left (\mathbf{X},\mathbf{Y}\right) S=(X,Y) where X = [ x i j ] n × m ∈ R n × m \mathbf{X}=\begin{bmatrix}x_{ij}\end{bmatrix}_{n \times m} \in \mathbb{R}^{n \times m} X=[xij]n×m∈Rn×m is the data matrix, Y = [ x i k ] n × l ∈ [ 0 , 1 ] n × l \mathbf{Y}=\begin{bmatrix}x_{ik}\end{bmatrix}_{n \times l} \in \begin{bmatrix}0,1\end{bmatrix}^{n \times l} Y=[xik]n×l∈[0,1]n×l is the label matrix, Satisfying ∀ i ∈ ( 0 … n ) \forall i \in \left( 0 \dots n\right) ∀i∈(0…n), ∑ k = 1 l { y i k } n × l = 1 \sum_{k=1}^l\begin{Bmatrix}y_{ik}\end{Bmatrix}^{n \times l}=1 ∑k=1l{yik}n×l=1, Where n n n is the number is instances, m m m is the number of features, and l l l is the number of labels. -
找一篇你们小组的论文来详细分析数学表达式, 包括其涵义, 规范, 优点和缺点
需要时间研究.