矩阵

MATLAB向量的创建 1、行向量 行向量有两种表示方法 %示例1 R1 = [1 2 3 4 5] R2 = [1,3,5,7,9] R = R1 + R2 %结果1 R1 = 1 2 3 4 5 R2 = 1 3 5 7 9 R = 2 5 8 11 14 2、列向量 %示例2 C = [9;1;8;2;7;3] %结果2 C = 9 1 8 2 7 3 矩阵 MATLAB的功能极其强大，其强大功能之一便是可以直接处理向量与矩阵。 %矩阵的创建 %3*3矩阵 X=[1 2 3;4 5 6;7 8 9] X = 1 2 3 4 5 6 7 8 9 %矩阵的转置 X1=X' >> X' ans = 1 4 7 2 5 8 3 6 9 %求矩阵的逆 %way1 I=[1 1 1]; I=diag(I) X2=I/X %way2 X2=inv(X) %矩阵转化为列向量 X3=X(:) >> X(:) ans = 1 4 7 2 5 8 3 6 9 来源： CSDN 作者： Yao_ch 链接： https://blog.csdn.net/weixin_43416601/article/details/104129261

http://www.cnblogs.com/FengYan/archive/2012/05/06/2480664.html 1. SVD简介 假如要预测Zero君对一部电影M的评分，而手上只有Zero君对若干部电影的评分和风炎君对若干部电影的评分（包含M的评分）。那么能预测出Zero君对M的评分吗？答案显然是能。最简单的方法就是直接将预测分定为平均分。不过这时的准确度就难说了。本文将介绍一种比这个最简单的方法要准上许多，并且也不算复杂的算法。 SVD(Singular Value Decomposition)的想法是 根据已有的评分情况，分析出评分者对各个因子的喜好程度以及电影包含各个因子的程度，最后再反过来根据分析结果预测评分 。电影中的因子可以理解成这些东西：电影的搞笑程度，电影的爱情爱得死去活来的程度，电影的恐怖程度。。。。。。SVD的想法抽象点来看就是将一个N行M列的评分矩阵R（R[u][i]代表第u个用户对第i个物品的评分），分解成一个N行F列的用户因子矩阵P（P[u][k]表示用户u对因子k的喜好程度）和一个M行F列的物品因子矩阵Q（Q[i][k]表示第i个物品的因子k的程度）。用公式来表示就是 R = P * T(Q) //T(Q)表示Q矩阵的转置 下面是将评分矩阵R分解成用户因子矩阵P与物品因子矩阵Q的一个例子。R的元素数值越大，表示用户越喜欢这部电影

假如要预测Zero君对一部电影M的评分，而手上只有Zero君对若干部电影的评分和风炎君对若干部电影的评分（包含M的评分）。那么能预测出Zero君对M的评分吗？答案显然是能。最简单的方法就是直接将预测分定为平均分。不过这时的准确度就难说了。本文将介绍一种比这个最简单的方法要准上许多，并且也不算复杂的算法。 SVD(Singular Value Decomposition)的想法是 根据已有的评分情况，分析出评分者对各个因子的喜好程度以及电影包含各个因子的程度，最后再反过来根据分析结果预测评分 。电影中的因子可以理解成这些东西：电影的搞笑程度，电影的爱情爱得死去活来的程度，电影的恐怖程度。。。。。。SVD的想法抽象点来看就是将一个N行M列的评分矩阵R（R[u][i]代表第u个用户对第i个物品的评分），分解成一个N行F列的用户因子矩阵P（P[u][k]表示用户u对因子k的喜好程度）和一个M行F列的物品因子矩阵Q（Q[i][k]表示第i个物品的因子k的程度）。用公式来表示就是 R = P * T(Q) //T(Q)表示Q矩阵的转置 下面是将评分矩阵R分解成用户因子矩阵P与物品因子矩阵Q的一个例子。R的元素数值越大，表示用户越喜欢这部电影。P的元素数值越大，表示用户越喜欢对应的因子。Q的元素数值越大，表示物品对应的因子程度越高。分解完后，就能利用P，Q来预测Zero君对《七夜》的评分了

matlab中的运算和操作主要是以数组为对象的， 数组又包括：数值数组、字符数组、元胞数组等。 一、数值数组的建立： 1. 直接输入法： 逗号：用来分开数组中的行元素。（可用空格代替） 分号：用来将数组中的行分开。 （可用回车键代替） 中括号[ ]：界定数组的首与尾。 a=[1,2,3,8,-1]， b=[1;2;3;8;-1], A= [2,4,1;0,-2,4;2,4,6] 2.通过数组编辑器生成矩阵 步骤：先建立空矩阵a=[], 然后在工作空间(workspace)中点开a进入数组编辑器，输入元素。 3. 数据导入法: matlab可在主界面上直接导入excel文件、纯文本文件中的数据。 4.用函数创建数组 定步长生成法： x=a:t:b (t步长，省略是为1)； 定数线性采样法： x=linspace(a,b,n)，a与b是数组的第一个和最后一个元素，n是采样的总点数。 zeros(m): m阶全零方阵 zeros(m,n): m×n阶全零阵 eye(m): m阶单位阵 eye(m): m阶单位阵 ones(m,n): m×n阶全1方阵 rand(m): m阶在[0,1]上均匀分布随机方阵 randn(m): m阶标准正态分布随机方阵 rand(m,n), randn(m,n) 二、字符数组、元胞数组的建立： 字符数组输入法：用单引号输入字符数组，如：A=‘matlab’

1030. 距离顺序排列矩阵单元格 给出 R 行 C 列的矩阵，其中的单元格的整数坐标为 (r, c) ，满足 0 <= r < R 且 0 <= c < C 。 另外，我们在该矩阵中给出了一个坐标为 (r0, c0) 的单元格。 返回矩阵中的所有单元格的坐标，并按到 (r0, c0) 的距离从最小到最大的顺序排，其中，两单元格 (r1, c1) 和 (r2, c2) 之间的距离是曼哈顿距离， |r1 - r2| + |c1 - c2| 。（你可以按任何满足此条件的顺序返回答案。） 示例 1： 输入：R = 1, C = 2, r0 = 0, c0 = 0 输出：[[0,0],[0,1]] 解释：从 (r0, c0) 到其他单元格的距离为：[0,1] 示例 2： 输入：R = 2, C = 2, r0 = 0, c0 = 1 输出：[[0,1],[0,0],[1,1],[1,0]] 解释：从 (r0, c0) 到其他单元格的距离为：[0,1,1,2] [[0,1],[1,1],[0,0],[1,0]] 也会被视作正确答案。 示例 3： 输入：R = 2, C = 3, r0 = 1, c0 = 2 输出：[[1,2],[0,2],[1,1],[0,1],[1,0],[0,0]] 解释：从 (r0, c0) 到其他单元格的距离为：[0,1,1,2,2,3]

对称矩阵的判定 Time Limit: 1000 ms Memory Limit: 65536 KiB Problem Description 输入矩阵的行数，再依次输入矩阵的每行元素，判断该矩阵是否为对称矩阵，若矩阵对称输出“yes"，不对称输出”no“。 Input 输入有多组，每一组第一行输入一个正整数N（N<=20），表示矩阵的行数（若N=0，表示输入结束）。 下面依次输入N行数据。 Output 若矩阵对称输出“yes"，不对称输出”no”。 Sample Input 3 6 3 12 3 18 8 12 8 7 3 6 9 12 3 5 8 12 6 3 0 Sample Output yes no Hint Source #include<stdio.h> int main ( ) { int n,i,j,f ; int a [ 30 ] [ 30 ] ; while ( scanf ( "%d" , & n ) != EOF && ( n != 0 )) { f = 1 ; for ( i = 0 ; i < n ; i++ ) { for ( j = 0 ; j < n ; j++ ) { scanf ( "%d" , & a [ i ] [ j ] ) ; } } for ( i = 0 ; i < n ; i++ ) { for ( j = 0 ; j < n

转载自：https://blog.csdn.net/u012635648/article/details/72779050 原文：https://sijinjoseph.com/programmer-competency-matrix/ 注意:每个层次的知识都是渐增的，位于层次n，也蕴涵了你需了解所有低于层次n的知识。 计算机科学 Computer Science 2 n 2^n 2 n (level 0) n 2 n^2 n 2 (level 1) n n n (level S2) l o g ( n ) log(n) l o g ( n ) (level 3) 备注 数据结构 不知道数组和链表的差异 能够解释和使用数组，链表，字典等，并且能够用于实际的编程任务。 了解基本数据结构时间和空间的这种，比如数组vs链表，能够解释如何实现哈希表和处理冲突，了解优先队列及其实现 高等的数据结构的知识，比如B-树、二顶堆、斐波那契堆、AVL树、红黑树、伸展树、跳跃表以及前缀树等。 算法 不能够找出一个数组各数的平均值（这令人难以置信，但是我的确在应聘者中遇到过） 基本的排序，搜索和数据的遍历和检索算法 树、图、简单的贪婪算法和分而治之算法，能够适度了解矩阵该层的含义 能够辨识和编写动态规划方案，良好的图算法知识，良好的数值估算的知识，能够辨别NP问题等 与优秀的程序员一起工作是一件快事

源自： https://blog.csdn.net/dawn_after_dark/article/details/80594914 二维数组中的查找 题目描述 在一个二维数组中（每个一维数组的长度相同），每一行都按照从左到右递增的顺序排序，每一列都按照从上到下递增的顺序排序。请完成一个函数，输入这样的一个二维数组和一个整数，判断数组中是否含有该整数。 思路 1. 暴力双层循环解法 2. 曼哈顿问题变形的解法 这时我们可能这样想，可以根据当前位置的数和目标值进行比较，从而决定我们要查找的区域。 假如我们从左上角开始的，如果当前的值小于目标值，那么目标值可能位于该值的右边和下边。这时我们搜索区域其实没有变化，还是跟以前，同时右边和下边的搜索区域还会重叠，造成不必要的判断。 所以我们能不能做到对一个位置进行判断后，就可以将下一次的搜索范围缩小呢？当然能，我们可以利用这个有序的数组的特性，不妨从右上角开始： 如果当前位置的数大于目标值，说明该位置以下的数都大于目标值，所以目标值只可能存在左边，这样我们的搜索范围就可以删除一列。 如果当前位置的数小于目标值，说明该位置以左的数都小于目标值，所以目标值只可能存在于该位置的下边或者右边。又因为右边的区域已是我们考察过得区域（已经删除），所以只能在下边。 重复以上，直到找到目标值为止。或超出数组边界。 这种思路有种像曼哈顿街区问题的变形

Java基础——数组 数组 数组的概念：存储同一种 数据类型 多个元素的集合，既可以存储 基本数据类型 ，也可以存储 引用数据类型 。 数组的作用：为了存储 同种数据类型 的多个值。 定义格式： 数据类型[] 数组名 = new 数据类型[数组的长度]；（ 动态初始化 ） 数据类型[] 数组名 = {元素1，元素2，···}；（ 静态初始化 ） 数组的初始化 定义：为数组开辟连续的内存空间，并为每一个数据元素赋值。 分类： 动态初始化：只指定长度，由系统给出默认初始化值。 静态初始化：给出初始化值，由系统指定长度。 Java中的内存分配以及栈和堆的区别 内存分配 栈通过得到堆的地址找到相应的堆 栈和堆的区别 栈：存储 局部变量 （定义子啊方法声明上和方法中的变量），具有 先进后出 的原则。 堆：存储 new 出来的数组和对象。 数组操作中两个常见的小问题 数组索引越界异常 ArrayIndexOutOfBoundsException 原因：访问了不存在的索引 空指针异常 NullPointerException 原因：当数组引用赋值为 null ,再去调用数组中的元素 一维数组的基本操作 数组的遍历 定义：依次输出数组中的每一个元素 数组的长度： Array.length 数组的最大索引： Array.length-1 一维数组的遍历 /* 数组的遍历,利用方法提高复用性 */

二维矩阵每一列预测标签中的数字代表该类别预测值，每一行真实标签中的数字的总和代表的是该类别的真实总数量。 假设有一个用来对猫cat、狗dog、兔子rabbit进行分类的系统，混淆矩阵就是为了进一步分析性能而对该算法测试结果做出的总结。 假设总共有 27 只动物：8只猫， 6条狗， 13只兔子。结果的混淆矩阵如上图，在这个混淆矩阵中： 第一行猫类别实际真实有8只，但是分类系统将其中3只预测成了狗； 第二行狗类别实际真实有6只，但是分类系统将其中1只预测成了兔子，2只预测成了猫； 第三行兔子类别实际真实有13只，但是分类系统将其中2只预测成了狗； 从混淆矩阵中我们可以看出分类系统对于区分猫、狗存在一些问题，但是区分兔子的效果还算可以的。 分类系统所有正确的预测结果都在从左上角到右下角的斜对角线上，所以从混淆矩阵中可以很方便直观的看出预测哪里有错误。 监督学习：混淆矩阵 confusion_matrix(labels, predictions, num_classes=None, weights=None, dtype=tf.int32, name=None) 根据真实标签labels和预测标签predictions计算混淆矩阵。 矩阵的列表示预测标签predictions，矩阵的行表示真实标签labels。 混淆矩阵总是一个二维的形状数组[n,n]，其中n是给定分类任务的有效标签数。