V
主页
(4) 向量规范法
发布人
import numpy as np import matplotlib.pyplot as plt from sklearn.preprocessing import normalize import matplotlib;matplotlib.rc("font", family='Microsoft YaHei') A=np.random.randint(-10,10,size=(2,50))/5 ''' B=np.zeros(shape=(A.shape[0],A.shape[1])) for i in range(A.shape[0]): for j in range(A.shape[1]): B[i,j]=A[i,j]/np.sqrt(sum(A[k,j]**2 for k in range(A.shape[0])))''' B=normalize(A,axis=0,norm='l2') plt.subplot(1,2,1) a=np.arange(0,2*np.pi,0.01) x=np.cos(a);y=np.sin(a) plt.plot(x,y,'r--') for i in range(A.shape[1]): plt.arrow(0,0,A[0,i],A[1,i],color='LimeGreen',width=0.005,head_width=0.05,length_includes_head=True) plt.subplot(1,2,2) a=np.arange(0,2*np.pi,0.01) x=np.cos(a);y=np.sin(a) plt.plot(x,y,'r--') for i in range(A.shape[1]): plt.arrow(0,0,B[0,i],B[1,i],color='Orange',width=0.005,head_width=0.05,length_includes_head=True) plt.show()
打开封面
下载高清视频
观看高清视频
视频下载器
ISM之建立递阶结构图的规范法(1)符号说明
一元线性回归分析(5)回归方程的显著性检验
ISM之建立递阶结构图的规范法(3)级位划分
模糊综合评价法(1)基本原理&操作步骤
ISM之建立递阶结构图的规范法(2)区域划分
多元线性回归分析(4)预测与控制
ISM之建立递阶结构图的实用法(2)实用法的缺陷
多元线性回归分析(2)残差与σ²估计及性质
组合赋权(1)加法合成&乘法合成
集合覆盖选址模型(1)原理
反熵权(值)法(1)反熵简介
主成分分析的基本原理(3)求解方向向量
詹克斯(jenks)自然断点法(2)基本性质
灰色关联分析(2)分辨系数的性质
解释结构模型ISM(2)M=(A+I)^r的原理和代码
指标赋权简介
多元线性回归分析(1)未知参数向量的最小二乘估计及性质
多元线性回归分析(3)回归效果的显著性检验
灰色关联分析(1)操作步骤
最大覆盖选址模型(2) 求解
AHP操作步骤(2)构造判断矩阵
为什么k-means聚类是收敛的?
多目标博弈组合赋权(1)基本原理
主成分分析的基本原理(2)点在方向向量上的投影
(2)Z-score标准化
最大覆盖选址模型(1) 原理
集合覆盖选址模型(2)求解
k-means聚类的原理
二分类ROC曲线(1)ROC曲线的绘制
单因素方差分析(2)平方和分解及其数字特征
詹克斯(jenks)自然断点法(3)非调包编程实现
模糊综合评价法(2)Excel&代码实现
一维核密度估计(1)核函数
一元线性回归分析(6)预测与控制
灰色关联分析(3)案例&编程
无约束最优化方法之牛顿法
逐对比较法
一元线性回归分析(1)β0,β1的最小二乘估计
多分类ROC曲线 (2) 微平均法
广义线性模型(1)最大熵原理