4.6作业
原文链接
1.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 “模 2 同余” 关系及相应的划分.
R
=
{
<
a
,
b
>
∈
R
∣
a
m
o
d
2
=
b
m
o
d
2
}
\mathbf{R} = \{<a, b> \in \mathbb{R} \vert a \mod 2 = b \mod 2\}
R={<a,b>∈R∣amod2=bmod2}.
R
=
{
{
1
,
5
}
,
{
1
,
9
}
,
{
5
,
9
}
,
{
2
,
8
}
}
\mathbf{R} =\{\{1, 5\},\{1, 9\}, \{5, 9\},\{2, 8\}\}
R={{1,5},{1,9},{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
R
1
\mathbf{R_1}
R1 和
R
2
\mathbf{R_2}
R2 , 并计算
R
1
R
2
\mathbf{R_1}\mathbf{R_2}
R1R2 ,
R
1
+
\mathbf{R_1^+}
R1+,
R
1
∗
\mathbf{R_1^*}
R1∗.
R
1
=
{
(
1
,
5
)
,
(
5
,
8
)
}
,
R
2
=
{
(
5
,
9
)
,
(
2
,
8
)
}
\mathbf{R_1}=\{(1,5),(5,8)\},\mathbf{R_2}=\{(5,9),(2,8)\}
R1={(1,5),(5,8)},R2={(5,9),(2,8)}
R
1
R
2
=
{
(
1
,
9
)
}
\mathbf{R_1}\mathbf{R_2}=\{(1,9)\}
R1R2={(1,9)}
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
R
1
+
=
{
(
1
,
5
)
,
(
1
,
8
)
,
(
5
,
8
)
}
\mathbf{R_1^+}=\{(1,5),(1,8),(5,8)\}
R1+={(1,5),(1,8),(5,8)}
克林闭包:
R
∗
=
R
+
∪
A
0
\mathbf{R^ * }= \mathbf{R^ +} \cup \mathbf{A^ 0}
R∗=R+∪A0, 其中
A
0
=
{
(
x
,
x
)
∣
x
∈
A
}
\mathbf{A}^0 = \{(x, x) \vert x \in A\}
A0={(x,x)∣x∈A}
R
1
∗
=
{
(
1
,
5
)
,
(
1
,
8
)
,
(
5
,
8
)
,
(
1
,
1
)
,
(
2
,
2
)
,
(
5
,
5
)
,
(
8
,
8
)
,
(
9
,
9
)
}
\mathbf{R_1^ *}=\{(1,5),(1,8),(5,8),(1,1),(2,2),(5,5),(8,8),(9,9)\}
R1∗={(1,5),(1,8),(5,8),(1,1),(2,2),(5,5),(8,8),(9,9)}
3.查阅粗糙集上下近似的定义并大致描述.
下面讨论上下近似的概念。假设给定了一个
A
\mathbf{A}
A上的子集合
X
=
{
x
2
,
x
5
,
x
7
}
\mathbf{X}=\{x2,x5,x7\}
X={x2,x5,x7},那么用知识库中的知识应该怎样描述它呢?无论是单属性知识还是由几个知识进行交、并运算合成的知识,都不能得到这个新的集合X,也就是在所有的现有知识里面找出跟他最像的两个一个作为下近似,一个作为上近似。可以选择“蓝色的大方块或者蓝色的小圆形”这个概念:
{
x
5
,
x
7
}
\{x5,x7\}
{x5,x7}作为
X
\mathbf{X}
X的下近似。选择“三角形或者蓝色的”
{
x
1
,
x
2
,
x
5
,
x
7
,
x
8
}
\{x1,x2,x5,x7,x8\}
{x1,x2,x5,x7,x8}作为上近似,值得注意的是,下近似集是在那些所有的包含于
X
\mathbf{X}
X的知识库中的集合中求交得到的,而上近似则是将那些包含
X
\mathbf{X}
X的知识库中的集合求并得到的。
5.5 作业
原文链接
举例说明你对函数的认识.
从英语原词function来理解,函数就是一个实现某种功能的工具(盒子),用图表示会更加直观:
6.5 作业
原文链接
自己给定一个矩阵并计算其各种范数
对于矩阵:
[
1
1
2
2
]
\left[\begin{array}{ll} 1 & 1 \\ 2 & 2 \end{array}\right]
[1212]
l
0
范
数
:
∣
∣
X
∣
∣
0
=
4
l_0范数: ||\mathbf{X}||_0=4
l0范数:∣∣X∣∣0=4. 语义: 非零项个数.
l
1
范
数
:
∣
∣
X
1
∣
∣
1
=
1
+
1
+
2
+
2
=
6
l_1范数: ||\mathbf{X1}||_1=1+1+2+2=6
l1范数:∣∣X1∣∣1=1+1+2+2=6. 语义: 绝对值之和,常用于计算绝对误差.
l
2
范
数
:
∣
∣
X
1
∣
∣
2
=
1
2
+
1
2
+
2
2
+
2
2
=
3.162
l_2范数: ||\mathbf{X1}||_2=\sqrt{1^2+1^2+2^2+2^2}=3.162
l2范数:∣∣X1∣∣2=12+12+22+22=3.162. 语义: 平方和,常用于计算平方误差.
7.3 作业
原文链接
解释 推荐系统: 问题、算法与研究思路 2.1 中的优化目标
min
∑
(
i
,
j
)
∈
Ω
(
f
(
x
i
,
t
j
)
−
r
i
j
)
2
\min\displaystyle\sum_{(i,j)\in\Omega}(f(\mathbf{x}_i, \mathbf{t}_j)-r_{ij})^2
min(i,j)∈Ω∑(f(xi,tj)−rij)2
各符号及含义.
x
i
\mathbf{x}_i
xi 表示用户
i
i
i 的信息,
t
j
\mathbf{t}_j
tj表示商品
j
j
j的信息,
r
i
j
r_{ij}
rij 表示用户
i
i
i 对商品
j
j
j的浏览情况,
r
i
j
r_{ij}
rij=0表示浏览过,
r
i
j
r_{ij}
rij=1表示未浏览过,
n
n
n个用户对
m
m
m个商品的浏览情况组成评分表
R
=
(
r
i
j
)
n
×
m
\mathbf{R} = (r_{ij}) _{n\times m}
R=(rij)n×m,
Ω
\Omega
Ω代表评分表
R
\mathbf{R}
R中非零元素对应的位置集合,函数
f
:
R
d
u
×
R
d
t
→
R
f: R^{d_u} \times R^{ d_t} \rightarrow R
f:Rdu×Rdt→R为要学习的目标。
优化目标为最小化训练集上的 MSE,使得
f
(
x
i
,
t
j
)
f(\mathbf{x}_i, \mathbf{t}_j)
f(xi,tj)与
r
i
j
r_{ij}
rij平均差距尽可能小,学习到能够根据用户和商品信息来预测浏览情况的函数,为用户推荐喜欢的商品。