吴恩达机器学习总结四:Octave语法
第六章Octave语法
基本操作:
1、1 ~= 2判断不相等
2、小写pi表示π
3、A=[1 2;3 4;5 6]分号表示换行
4、D = 1:6就建立一个行向量[1,2,3,4,5,6]
5、E=[1:2:10]指定1-10步长为2,即[1,3,5,7,9]
6、F=ones(2,3)建立一个两行三列的全一矩阵[1 1 1;1 1 1]
7、w=zeros(2,4)
8、h=rand(3,3)生成均是随机数,0-1,小数点后6位
9、r=randn(1,1000)生成1000个数服从正态分布
10、hist(r)将r画成图表
11、eye(5)表示生成一个5阶的单位矩阵
数据移动:
1、size(eye(5))返回一个[5,5],前一个是行数后一个是列数
2、size(eye(5),1)返回行数,size(eye(5),2)返回列数,其实size函数返回的也是一个矩阵
3、who命令可以查看当前定义的变量有哪些,whos可以显示更详细的数据
4、test(1,1)表示取出test的第一行第一列的元素
5、test(1,:)表示取出整个第一行
6、test([1,3,5],:)表示取出第1/3/5行
7、test(:)表示把test的所有行变成一个列向量,先是第一列,接着第二列……加成一列
8、A=[test,[1;3;5;7]]表示把列向量1357续在test的最右边作为一列形成新矩阵
计算数据:
1、A*B表示矩阵相乘,A.*B表示对应元素相乘
2、1./A表示对A中每一个元素求倒数
3、A’表示转置
4、a=[1 2 3 0.5]; [val,index]=max(a)求出最大值及其索引,也可只返回最大值
5、a<3返回的仍是一个数组[1 1 0 1],比较对应位置的元素,小于3则返回1
绘图工具:
1、一般步骤:
t=[0:0.01:0.98] t存储数据
y=sin(4*pi*t) y存储表达式,应该自变量要在上边有数据,不然怎么指定和带入
plot(t,y) 绘图
hold on;保持图像,可以再绘制同时显示两个图像
w=cos(4*pi*t)
plot(t,w,’r’) 上边图形保留,现在换红色线再画一个
title(‘my title’)改变标题
xlabel(‘time’)横轴
ylabel(‘value’)纵轴
legend(‘hahaha’,’lalala’)分别指明两条线是什么,按先后顺序
3、在两张画布分别作图(正常连画两次,第二张会覆盖第一张)
figure(1);plot(t,y) //指定为第一张画
figure(2);plot(t,w)
4、在子方格作画:
subplot(3,3,3) 前两个参数表示分成3*3的方格,最后一个3表示在第三个方格作画
plot(t,y)
subplot(3,3,5)
plot(t,w)
5、移动画轴
axis([0.5 1 0 1])将画面移动到x轴0.5-1,y轴0-1的位置,原图不改变只是移动视角
这是sin图的坐标轴上边部分
6、绘制方格图
imagesc(magic(15)),colorbar,colormap gray;imagesc函数的参数是一个矩阵
colorbar用来显示不同颜色和数值之间对应关系
colormap gray指定灰度图,只用灰色一种颜色区分数值,深浅程度不同
吴恩达机器学习总结四:Octave语法相关推荐
- 吴恩达机器学习笔记——Day2——Octave使用基础
观看的视频来自网易云课堂--<吴恩达机器学习> http://吴恩达机器学习 - 网易云课堂 https://study.163.com/course/courseMain.htm?cou ...
- 【深度之眼吴恩达机器学习第四期】笔记(十二)
目录 大规模学习 小批量梯度下降 在线学习 数据并行 应用举例 人工合成数据 上限分析 总结 大规模学习 现在机器学习的性能比过去的好,其中一个原因就是现在拥有大量的数据. 而且其中一种获得高性能机器 ...
- 吴恩达机器学习(四)逻辑回归(二分类与多分类)
目录 0. 前言 1. 假设函数(Hypothesis) 2. 决策边界(Decision Boundary) 3. 代价函数(Cost Funciton) 4. 梯度下降(Gradient Desc ...
- 【深度之眼吴恩达机器学习第四期】笔记(五)
目录 机器学习诊断 一.无超参数时对假设进行评估 二.有超参数时对假设进行评估 三.过拟合还是欠拟合 四.增加还是减小正则化参数λ 五.应该获取更多的数据样本吗 总结一下 实现算法的推荐方法 数据偏差 ...
- 【深度之眼吴恩达机器学习第四期】笔记(一)
目录 第一章:什么是机器学习 第二章:线性回归模型 第三章:矩阵运算 第四章:多变量线性回归 正规方程 第五章:操作 第一章:什么是机器学习 机器学习主要分为监督学习(我们教计算机如何学习)和无监督学 ...
- 【学习笔记】吴恩达机器学习 WEEK2 线性回归 Octave教程
Multivariate Linear Regression Multiple Features Xj(i)X_j^{(i)}Xj(i) 其中j表示迭代次数,i表示矩阵索引 转换 原来:hθ(x)= ...
- 【深度之眼吴恩达机器学习第四期】笔记(十)
目录 异常点检测 高斯分布 异常点检测和监督学习 选择特征 多元高斯分布 使用多元高斯分布的异常点检测算法 原始模型VS.多元高斯分布的模型 编程 异常点检测 假如有一个关于飞机引擎的数据集,而且这些 ...
- 【深度之眼吴恩达机器学习第四期】笔记(九)
目录 K均值 K均值算法 语言描述 伪代码描述 解决分离不佳的簇 K均值的损失函数 K均值初始化 如何选择K 主成分分析 用途1:去除冗余特征 用途2:可视化数据 直观来理解主成分分析 主成分分析与线 ...
- 【深度之眼吴恩达机器学习第四期】笔记(四)
目录 神经网络 神经网络训练流程 我们已经有线性回归和逻辑回归了,为什么还要使用神经网络呢? 对于一个有两个输入分量(x1,x2)的分类问题,我们使用这两个分量的组合来构造假设函数(图中右上角),可能 ...
最新文章
- 实现容器的底层技术--云平台技术栈06
- 2019 半导体领袖新年展望(一)| 半导体行业观察
- Eclipse 教程
- .Net 中的反射(反射特性) - Part.3
- Winform中使用FileStream读取文件后,继续操作提示:it is being used by anothor process
- 跨域失败 过滤器_跨域问题解决方案
- 『设计模式』状态模式(不起花里胡哨的名字了)
- java面试题4 牛客:运行下列代码,运行结果为
- mysql 主从 keepalived_MySQL之双向主从加keepalived高可用
- 小程序 bindtouchmove 使用拖动按钮 页面跟着滑动并拖动卡顿感 问题
- docker toolbox在win7下的安装
- 加密货币交易所Gemini已支持新加坡元(SGD)
- python3.6.5安装成功为什么打不开_记录centos+python3.6.5安装ipython遇到的坑
- 网络安全面试常见问题
- 全国计算机二级---公共基础部分知识点(自用总结)
- P14 Optimistic Concurrency Control 课程观看笔记
- 手把手教你搭建SSM框架,简单有效理解SSM框架
- 一个leader,要有角色认知
- 1718: 身体质量指数
- 猜字游戏网捐米救饥民 每日喂饱5万人