矩阵

（一）直接创建 d=np.array([[10,11,12],[20,21,22],[30,31,32]]) （二）创建元组递增数组 d=np.arange(20).reshape(5,4) （三）创建指定范围的递增数组 d=np.arange(10,20).reshape(5,2) （四）创建随机整数元素的数组 d=np.random.randint(10,99,size=(4,3)) 4行3列，每个元素是从10~（99-1）之间的随机数 （五）创建全0数组 d=np.zeros((4,3)) （六）根据已有数组结构创建全0数组 d1 已有数组 d=np.zeros_like(d1) （七）创建全1数组 d=np.ones((4,3)) 或者 d=np.ones_like(d1) （八）创建相同元素的数组 d=np.ones((4,3))*20 （九）其它 d=np.linspace(10,20,20).reshape(4,5) 从10到20之间，平均分布生成20组数据，生成4行5列数组 来源： https://www.cnblogs.com/jm7612/p/12502833.html

KNN算法原理 本篇博客基于《机器学习实战》实现 算法原理简要概括，重在代码实现 k-近邻算法(kNN)的工作原理是：存在一个样本数据集合，称训练样本集，并且样本集中每个数据都存在标签，即样本集中每一数据与所属分类的对应关系。输入没有标签的新数据后，将新数据的每个特征与样本集中数据对应的特征进行比较，然后算法提取样本集中特征最相似的数据(距离最近)的分类标签。 如图，图中绿点的标签是未知的，但已知它属于蓝方块和红三角二者其一，怎么判断出它属于哪一方呢？ kNN算法的核心思想是如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。 在上图实线圆圈内，红三角有两个，而蓝方块只有一个，所以它是红三角的可能性大；但在虚线圈内，红三角有两个，蓝方块却有三个，那么它是蓝方块的可能性就越大；所以对于kNN算法， k的取值不同 ，得出的结果可能也会不同，k的取值很大程度上决定了这个模型的准确率。 KNN算法步骤 收集数据：爬虫、公开数据源 数据清洗：处理缺失值、无关特征 导入数据，转化为结构化的数据格式 数据归一化、标准化 计算距离(欧氏距离最通用) 对距离升序排列，取前K个 判断测试数据属于哪个类别 计算模型准确率 KNN算法实现 其中 Pclass,Sex,Age,SibSp,Parch

算法简介 手写数字识别是KNN算法一个特别经典的实例，其数据源获取方式有两种，一种是来自MNIST数据集，另一种是从UCI欧文大学机器学习存储库中下载，本文基于后者讲解该例。 基本思想就是利用KNN算法推断出如下图一个32x32的二进制矩阵代表的数字是处于0-9之间哪一个数字。 数据集包括两部分，一部分是训练数据集，共有1934个数据；另一部分是测试数据集，共有946个数据。所有数据命名格式都是统一的，例如数字5的第56个样本—— 5_56.txt ，这样做为了方便提取出样本的真实标签。 数据的格式也有两种，一种是像上图一样由0、1组成的文本文件；另一种则是手写数字图片，需要对图片做一些处理，转化成像上图一样的格式，下文皆有介绍。 算法步骤 收集数据：公开数据源 分析数据，构思如何处理数据 导入训练数据，转化为结构化的数据格式 计算距离（欧式距离） 导入测试数据，计算模型准确率 手写数字，实际应用模型 由于所有数据皆由0和1构成，所以不需要数据标准化和归一化这一步骤 算法实现 处理数据 在计算两个样本之间的距离时，每一个属性是一一对应的，所以这里将32x32的数字矩阵转化成1x1024数字矩阵，方便计算样本之间距离。 #处理文本文件 def img_deal(file): #创建一个1*1024的一维零矩阵 the_matrix = np.zeros((1,1024)) fb =

695. 岛屿的最大面积 难度 中等 给定一个包含了一些 0 和 1的非空二维数组 grid , 一个 岛屿 是由四个方向 (水平或垂直) 的 1 (代表土地) 构成的组合。你可以假设二维矩阵的四个边缘都被水包围着。 找到给定的二维数组中最大的岛屿面积。(如果没有岛屿，则返回面积为0。) 示例 1: [[0,0,1,0,0,0,0,1,0,0,0,0,0], [0,0,0,0,0,0,0,1,1,1,0,0,0], [0,1,1,0,1,0,0,0,0,0,0,0,0], [0,1,0,0,1,1,0,0,1,0,1,0,0], [0,1,0,0,1,1,0,0,1,1,1,0,0], [0,0,0,0,0,0,0,0,0,0,1,0,0], [0,0,0,0,0,0,0,1,1,1,0,0,0], [0,0,0,0,0,0,0,1,1,0,0,0,0]] 对于上面这个给定矩阵应返回 6 。注意答案不应该是11，因为岛屿只能包含水平或垂直的四个方向的‘1’。 示例 2: [[0,0,0,0,0,0,0,0]] 对于上面这个给定的矩阵, 返回 0 。 注意: 给定的矩阵 grid 的长度和宽度都不超过 50。 解题思路：遍历二维数组并且搜索岛屿，搜索到岛屿后将其代入函数，使用递归，将岛屿上下左右都进行搜索，并且，将已经搜索过的岛屿覆盖复制，最后返回岛屿面积，与最大面积对比

1、矩阵的加减乘除求逆运算的概念： 　　（1）矩阵概念 有 m n 个数排列成一个 m 行 n 列，并括以方括弧（或圆括弧）的数表称为 m 行 n 列矩阵。 　　（2）矩阵加法： 　　（3）矩阵乘法： 　　（4）矩阵的求逆运算 　　（5）矩阵的除法： 　　　　分成两种（1）A\B=inverse(A)*B （2）B/A=B*inverse(A)，理解上可能有误，不过是按照这两种方式来运算的。。 2、要求： 　　要求很简单：编写一个实现矩阵(向量)的+ - * / 求逆运算的类（女友的一个作业题） 3、实现代码 　　 View Code 1 #include<stdio.h> 2 #include<stdlib.h> 3 #define col 3 4 #define row 3 5 class matrix//类的定义 6 { 7 private: 8 double m[col][row];//矩阵设置为私有的， 9 public: 10 matrix(){}//无参数的构造函数 11 matrix(double a[col][row]);//有参数的构造函数 12 matrix Add(matrix &b);//加法运算声明 13 matrix Sub(matrix &b);//减法运算声明 14 matrix Mul(matrix &b);//乘法运算声明 15 matrix

这个类库是本人参考许多相关资料之后做出的C#矩阵运算类库，因为C#的数值计算库相对比较少，所以希望这个类库能够给大家带来一些帮助。 源码github网址： https://github.com/JoshuaHe2015/MatrixLibrary 功能介绍：（持续更新中） 1、矩阵的基本运算： 　　矩阵的加、减、乘、除、求逆、求幂、求秩、求行列式、转置。运算包括矩阵与矩阵的运算，矩阵与向量的运算和矩阵与标量的运算。 1 using System; 2 using LinearAlgebra; 3 namespace MatrixLibraryTest 4 { 5 class Program 6 { 7 static void Main(string[] args) 8 { 9 Matrix A = Matrix.Create(2, 2, new double[] { 1, 2, 3, 4 }); 10 Matrix B = new double[,] { 11 { 5, 6 }, 12 { 7, 8 } }; 13 Matrix C = A + B; 14 Matrix D = A * 2; 15 Matrix E = A * B; 16 Matrix F = E.Inverse(); 17 Console.WriteLine(C); 18 Console.WriteLine(D)

语言基础·二级 顺序结构语句 * A:什么是流程控制语句 * 流程控制语句：可以控制程序的执行流程。 * B:流程控制语句的分类 * 顺序结构 * 选择结构 * 循环结构 * C:执行流程： * 从上往下，依次执行。 * D:案例演示 * 输出几句话看效果即可 选择结构if语句格式 * A:选择结构的分类 * if语句 * switch语句 * B:if语句有几种格式 * 格式1 * 格式2 * 格式3 * C:if语句的格式1 * if(比较表达式) { 语句体; } * D:执行流程： * 先计算比较表达式的值，看其返回值是true还是false。 * 如果是true，就执行语句体； * 如果是false，就不执行语句体； * A:if语句的格式2 * if(比较表达式) { 语句体1; }else { 语句体2; } * B:执行流程： * 首先计算比较表达式的值，看其返回值是true还是false。 * 如果是true，就执行语句体1； * 如果是false，就执行语句体2； * C:案例演示 * a:获取两个数据中较大的值 * b:判断一个数据是奇数还是偶数,并输出是奇数还是偶数 * 注意事项：else后面是没有比较表达式的，只有if后面有。 * A:if语句的格式3： * if(比较表达式1) { 语句体1; }else if(比较表达式2) { 语句体2; }else

简述 坐标系统是由QPainter类控制的，再加上QPaintDevice和QPaintEngine类，就形成了Qt的绘图体系。 QPainter：用于执行绘图操作。 QPaintDevice：二维空间的抽象层，可以使用QPainter在它上面进行绘制。 QPaintEngine：提供了统一的接口，用于QPainter在不同的设备上进行绘制。 QPaintDevice类是可以被绘制的对象的基类，它的绘图功能由QWidget、QImage、QPixmap、QPicture和QOpenGLPaintDevice继承。默认坐标系统位于设备的左上角，即坐标原点(0, 0)。X轴由左向右增加，Y轴由上向下增加。在基于像素的设备上（比如：显示器），坐标的默认单位是1像素；在打印机上则是1点（1/72 英寸）。 QPainter逻辑坐标与QPaintDevice物理坐标的映射，由QPainter的变换矩阵（transformation matrix）、视口（viewport）和窗口（window）完成。默认情况下，物理坐标与逻辑坐标系统是重合的，QPainter也支持坐标转换，例如：旋转、缩放。 简述 渲染 逻辑表示 锯齿绘制 抗锯齿绘制 坐标转换 窗口-视口转换 更多参考 渲染 逻辑表示 一个图形图元的大小（宽度和高度）总是对应于它的数学模型，忽略绘制时画笔的宽度： 锯齿绘制 绘制的时候

今天终于开通了博客园，先说说自己吧，今年刚毕业，工作两个月，方向是计算机视觉，模式识别，机器学习等。写这篇博客作为自己新的开始，记录自己在学习路上的点点滴滴，希望可以和广大博友交流，共同进步。就目前而言，我将自己最近的学习重心放在数学基础知识上。工作后才发现，数学是多么的重要，一些大神的文章的算法完全看不懂，一味的搬移和修改代码，即使程序实现，但没有亲自推算一边算法的过程，就感觉不是自己的知识。 目前正在学习的资料有：孟老师的《矩阵理解》，科学空间的《新矩阵理解》，神奇的矩阵，重温微积分，矩阵分析，数学之美，重温微积分等。 不积硅步，无以至千里，希望不忘初心，与君共勉！ 来源： https://www.cnblogs.com/gy-jhh-12138/p/7552869.html

1、前言 a、本文主性最小二乘的标准形式，非线性最小二乘求解可以参考Newton法 b、对于参数求解问题还有另外一种思路：RANSAC算法。它与最小二乘各有优缺点： --当测量值符合高斯分布（或者说测量误差符合期望为0的高斯分布），使用最小二乘比较合适，可以获得比较稳定且很高的精度。 而当误差服从高斯分布的情况下， 最小二乘法等价于极大似然估计。 --当测量值离散性比较大，存在很多outliers，那么使用最小二乘求解就会存在很大的误差，此时使用RANSAC算法更合适。 线性最小二乘只适用于参数模型会线性关系的情形，RANSAC则没有此限制。 c、线性最小二乘又分为齐次线性最小二乘和非齐次线性最小二乘。 2、非齐次方程组的最小二乘解 a、 非齐次线性最小二乘的标准形式： AX = B (1) 其中A、B分别为测量数据构成的矩阵与向量，X为待求参数向量。 这里主要针对方程数多于未知元素的情形--超定方程组。 b、为什么要用最小二乘求解参数： 举例： ，其中 为测量已知量， 为待求量。 那么只需要三组 就可以求出 。实际情况是某次实验不止测了三组数据： 如何在（1,2,3,29）（2,1,1,13）（3,2,4,37）（2,4,2,33）（4,2,1,23）这些测量数据中求出最准确的 ？ 结论：当数据存在冗余，且数据噪声偏差不大的情况下适合用最小二乘求解。 c、如何转化为最小二乘形式：