层次分析法（AHP） The analytic hierarchy process 一、概述 AHP的主要特点是通过建立递阶层次结构，把人类的判断转化到若干因素两两之间重要度的比较上，从而把难于量化的定性判断转化为可操作的重要度的比较上面。在许多情况下，决策者可以直接使用AHP进行决策，极大地提高了决策的有效性
目录1 一种套路，见过就会做了2 反证法是万能的3 二次型（实对称矩阵）的标准型，即为相似的对角阵 1 一种套路，见过就会做了 题意： 设 A B 是 n 阶实对称矩阵，且 A 是正定矩阵，证明存在可逆矩阵 P，使得 \(P^TAP\) 和 \(P^TBP\) 都是对角矩阵。 解答： 首先，因为 A 正定，所以存在可逆矩阵 L，使得
1. 梯度下降法寻找参数，使训练模型的代价函数值最小。梯度下降法就是对代价函数关于参数θ求偏导，不断迭代（一般由迭代次数限制）。梯度下降法找到的参数可能是局部最优解，而并非全局最优解。 2. 特征缩放以及均值归一化。特征缩放是为了将两个或多个范围不同的特征值缩放至近似的范围，从
原文网址：《线性代数》知识点汇总 - 知乎 (zhihu.com) 一、行列式： 行列式概念和性质 1、逆序数： 所有的逆序的总数 ； 2、行列式定义：不同行不同列元素乘积代数和 ； 3、行列式性质：（用于化简行列式）； （1）行列互换（转置），行列式的值不变 ； （2）两行（列）互换，行列式变号 ； （3）提公因式：行列式的某一行（列）的所有
特征降维 通过定义一个新的特征，可以得到一个更好的模型 对于一些不适合使用线性拟合方式的例子，可以通过使用将一个参数即面积的平方，立方看做不同的参数，然后将其看做多元线性拟合，但是其中就需要注意特征缩放了 正规方程法 单元线性回归： 对于线性函数，只需要对
函数 极限 连续 计算极限 等价无穷小 一元函数微分学 隐函数求导 定积分 反常积分敛散性的判断 给定一个带参反常积分，若收敛，求参数取值范围 给定三个积分区域相同的定积分，比较大小 代入 做差->代入 向量组 给定两个等价的带参向量组，求参数 构造等式->三秩相等->行阶梯 线性方程组
QLib 量化框架 将每个股票的特征（开盘价、收盘价、成交量等）单独存储为一个二进制文件（.bin）。 通过使用 QLib 提供的 Script ，可以将 .CSV 格式的文本文件，转换成 .bin ，Script 用 Python写成。 如果要使用其它语言读取或追加，需要搞明白其格式，然后，采用适当的方式处理。下面记录试验过程
前沿：万物皆矩阵！ Content 1 .Determination 2. Homogeneous equation and non-homogeneous equation of solution 3. Linear correlation and Linear independence 4. Solution Vector 5. Base solution group of linear equation group（线性方程组的基础解系） 6. Engivalue and E
感觉这部分穿插的有些怪 前置 对于实对称矩阵 \(A\)，其最大特征值 \(\lambda_\max(A)\geq \frac{x^\intercal Ax}{x^\intercal x}\)，其中 \(x^\intercal x\neq \bold 0\) 证明： \(A\) 实对称，因此存在一组单位正交基恰好为特征向量 \(V=(v_1,v_2\ldots v_n)\)。设 \(x\) 在 \(V\) 下的
第十九讲：行列式公式和代数余子式 上一讲中，我们从三个简单的性质扩展出了一些很好的推论，本讲将继续使用这三条基本性质： \(\det I=1\)； 交换行行列式变号； 对行列式的每一行都可以单独使用线性运算，其值不变； 我们使用这三条性质推导二阶方阵行列式： \[\begin{vmatrix}a&b\\c&d\end{vma
特征值和特征向量 reference的内容为唯一教程，接下来的内容仅为本人的课后感悟，对他人或无法起到任何指导作用。 Reference Course website: Eigenvalues and Eigenvectors | Unit II: Least Squares, Determinants and Eigenvalues | Linear Algebra | Mathematics | MIT OpenCo
线性代数中求解特征值和特征向量的详细方法 §5.1 特征值与特征向量 (edu-edu.com.cn) 一个变换方阵的所有特征向量组成了这个变换矩阵的一组基。 (49条消息) 奇异矩阵_T细胞的博客-CSDN博客_奇异矩阵 奇异矩阵就是非满秩矩阵。行列式为0。而可逆矩阵的行列式不为零，即可逆矩
1.机器学习概述 1.1人工智能概述 1.1.1机器学习与人工智能、深度学习 机器学习和人工智能，深度学习的关系 机器学习是人工智能的一个实现途径 深度学习是机器学习的一个方法发展而来 达特茅斯会议-人工智能的起点 1956年8月，在美国汉诺斯小镇宁静的达特茅斯学院中， 约翰·麦卡
[V,D]=eig(A)：求矩阵A的全部特征值，构成对角阵D，并求A的特征向量构成V的列向量。 目前还差矩阵的特征值分解的学习，只有矩阵是对角阵？？还是说正定矩阵，才可以进行矩阵的特征分解，即分解成P∑P-1的形式？
目录 一.字典特征值提取 二.英文文本特征值提取 三.中文文本特征值提取 需要导入的包 from sklearn.feature_extraction import DictVectorizer#用于字典特征值提起 from sklearn.feature_extraction.text import CountVectorizer#用于文本提取 """用于中文分词""" import jie
利用如下定理推导最大特征值的分布。 An expression for the distribution function of the largest root of S S S follows from the following theorem due to Constantine ( 1963). TH
RUL问题的通常步骤 其步骤为： 1.数据处理（预处理与特征提取） 2.模型搭建 （搭建神经网络） 3.将处理好的数据送进模型（确保维度一致） 4.根据预测值与实际值计算评价指标。 1. 数据处理 原始数据也可以直接送入网络（需要match网络形状），但通常有数据不干净和数据冗杂的问题。 数据处理的意义：①
文章目录 问题的引出一、特征收缩是什么？二、特征收缩程度三、归一化总结 问题的引出 在一次梯度下降中是曲折前进的，但是有一个问题就是特征值的大小是不一定，这会导致要迭代很多遍。这时就要用到特征收缩这一个方法（归一化） 引用我在B站学习的视频里面的图： 一、特征收缩
夜深人静写力扣 前言 这几天好兄弟Matty吴分享了几道力扣的题，虽然是简单难度，但是思维要求我觉得还是有点要求的，思路很有趣，记录一下~~ 1380.矩阵中的幸运数 题目描述 给你一个\(m*n\)的矩阵，矩阵中的数字各不相同。请你按任意顺序返回矩阵中的幸运数。幸运数字是指矩阵中满足同时下
矩阵相关概念 线性相关与线性无关 \[c_1u_1 + c_2u_2 + ... + c_nu_n = 0 \]其中可以有这样一组解： \[c_1 = c_2 = ... = c_n = 0 \]若只有这样一种解 则认为 \(u_1, u_2, ... ,u_n\) 线性无关 若有0以外的解 则认为线性相关 奇异矩阵 \[Ax = 0 \]等价于 \[a_1x_1 + a_2x_2 + ...
题目 分析 考虑从删除序列末尾来看，最大值一定在末尾， 然后与次大值之间夹了整条路径的点，降序以此类推 实际上从小到大是每个点到最大点的路径被打通的过程，由此分成若干条实链。 删除序列的位置实际上是到实链底端的距离加上其它实链底端小于该实链底端的实链总长度之和。 考虑维护
2 数字特征值（5分） 题目内容： 对数字求特征值是常用的编码算法，奇偶特征是一种简单的特征值。对于一个整数，从个位开始对每一位数字编号，个位是1号，十位是2号，以此类推。这个整数在第n位上的数字记作x，如果x和n的奇偶性相同，则记下一个1，否则记下一个0。按照整数的顺序把对应位的表示奇偶
在数学中，矩阵的“谱半径”是指其特征值的模集合的上确界。换言之，对于给定的 n 个复数空间的特征值 { a1+b1i,⋯,an+bni }，它们的模为实部与虚部的平方和的开方，而“谱半径”就是最大模。 现在给定一些复数空间的特征值，请你计算并输出这些特征值的谱半径。 输入格式：
1608. 特殊数组的特征值 给你一个非负整数数组 nums 。如果存在一个数 x ，使得 nums 中恰好有 x 个元素 大于或者等于 x ，那么就称 nums 是一个 特殊数组 ，而 x 是该数组的 特征值 。 注意： x 不必 是 nums 的中的元素。 如果数组 nums 是一个 特殊数组 ，请返回它的特征值 x 。否
