从勾股定理看机器学习
勾股定理的原因是直接三角形两垂直边长(或称较短两边)的平方和,等于斜边长的平方。
在勾股定理中,较短的两边长的平方和等于第三边的平方:
影片名称 | 爱情、亲情 | 跨国拍摄 | 出现刀、枪 | 飞车追逐 | 动画 |
玩命关头 | 5 | 7 | 8 | 10 | 2 |
影片名称 | 爱情、亲情 | 跨国拍摄 | 出现刀、枪 | 飞车追逐 | 动画 |
复仇者联盟 | 2 | 8 | 8 | 5 | 7 |
决战中途岛 | 5 | 6 | 9 | 2 | 5 |
冰雪奇缘 | 8 | 2 | 0 | 0 | 10 |
双子杀手 | 5 | 8 | 8 | 8 | 3 |
列出4部影片与《玩命关头》的相似度,同时列出哪一部影片与《玩命关头》的相似度最高。
import mathfilm = [5, 7, 8, 10, 2] # 玩命关头特征值
film_titles = [ # 比较影片片名'复仇者联盟','决战中途岛','冰雪奇缘','双子杀手',
]
film_features = [ # 比较影片特征值[2, 8, 8, 5, 6],[5, 6, 9, 2, 5],[8, 2, 0, 0, 10],[5, 8, 8, 8, 3],
]dist = [] # 储存影片相似度值
for f in film_features:distances = 0for i in range(len(f)):distances += (film[i] - f[i]) ** 2dist.append(math.sqrt(distances))min = min(dist) # 求最小值
min_index = dist.index(min) # 最小值的索引print("与玩命关头最相似的电影 : ", film_titles[min_index])
print("相似度值 : ", dist[min_index])
for i in range(len(dist)):print("影片 : %s, 相似度 : %6.2f" % (film_titles[i], dist[i]))
运行结果:
[Running] python -u "c:\Users\a-xiaobodou\OneDrive - Microsoft\Projects\tempCodeRunnerFile.py"
与玩命关头最相似的电影 : 双子杀手
相似度值 : 2.449489742783178
影片 : 复仇者联盟, 相似度 : 7.14
影片 : 决战中途岛, 相似度 : 8.66
影片 : 冰雪奇缘, 相似度 : 16.19
影片 : 双子杀手, 相似度 : 2.45[Done] exited with code=0 in 0.454 seconds
《双子杀手》与《玩命关头》最相似,《冰雪奇缘》与《玩命关头》差距最远。
联立不等式与机器学习
计算x和y的值
y=8-0.6x #研发限制
y=17.5-2.5x #包装限制
然后计算最大获得值
z=50x+50y #求目标函数的最大获得值
import matplotlib.pyplot as plt
from sympy import Symbol, solve
import numpy as npx = Symbol('x') # 定义公式中使用的变量
y = Symbol('y') # 定义公式中使用的变量
eq1 = 8 - 0.6 * x - y # 方程式 1
eq2 = 17.5 - 2.5 * x - y # 方程式 2
ans = solve((eq1, eq2))
print('x = {}'.format(int(ans[x])))
print('y = {}'.format(int(ans[y])))z = 50 * int(ans[x]) + 50 * int(ans[y])
print('最大获利 = {} 万'.format(z))
运行结果:
[Running] python -u "c:\Users\a-xiaobodou\OneDrive - Microsoft\Projects\tempCodeRunnerFile.py"
x = 5
y = 5
最大获利 = 500 万[Done] exited with code=0 in 4.107 seconds
参考下列内容,绘制等式线条。
x>=0 #商用软件生产数量
y>=0 #App软件生产数量
y<=8-0.6x #研发费用的限制
y<=17.5-2.5x #包装费用的限制
然后绘制下列通过点(5,5)的目标函数线条,同时标记点(5,5)。
y=-x+0.02z
因为最大获利是500万元,所以目标函数内容如下:
y=-x+10
import matplotlib.pyplot as plt
import numpy as npplt.plot([0, 0], [20, 0]) # 绘函数直线公式 1
plt.plot([0, 0], [0, 20]) # 绘函数直线公式 2line3_x = np.linspace(0, 20, 20)
line3_y = [(8 - 0.6 * y) for y in line3_x]line4_x = np.linspace(0, 20, 20)
line4_y = [(17.5 - 2.5 * y) for y in line4_x]lineobj_x = np.linspace(0, 20, 20)
lineobj_y = [10 - y for y in lineobj_x]plt.axis([0, 20, 0, 20])plt.plot(line3_x, line3_y) # 绘函数直线公式 3
plt.plot(line4_x, line4_y) # 绘函数直线公式 4
plt.plot(lineobj_x, lineobj_y) # 绘目标函数直线公式plt.plot(5, 5, '-o') # 绘交叉点
plt.text(4.5, 5.5, '(5, 5)') # 输出(5, 5)
plt.xlabel("Research")
plt.ylabel("UI")
plt.grid() # 加网格线
plt.show()
运行结果
从勾股定理看机器学习相关推荐
- Alink漫谈(二) : 从源码看机器学习平台Alink设计和架构
Alink漫谈(二) : 从源码看机器学习平台Alink设计和架构 文章目录 Alink漫谈(二) : 从源码看机器学习平台Alink设计和架构 0x00 摘要 0x01 Alink设计原则 0x02 ...
- 关于从安全角度看机器学习:真实的故事
今天,我们从安全的角度对机器学习进行考察,并回顾一些最有趣的事件. 机器学习如何应用于信息安全 一方面,机器学习帮助信息安全产品检测攻击,并帮助专家识别数据中新的依赖关系.另一方面,ML正在成为网络犯 ...
- 从ICLR提交论文看机器学习的趋势和风口
大数据文摘出品 来源:deepsense 2013年才举办第一届的ICLR(The International Conference on Learning Representations)发展迅猛, ...
- 看机器学习如何还原图像色彩
原文:Java Machine Learning for Image Color Reduction 作者:Klevis Ramo 译者:Teixeira10 [译者注]在本文中,作者提出了使用k-m ...
- 看机器学习精准预测:谁是iphone的忠实玩家?
人工智能是当前社会的显学之一,但如果没有了机器学习和算法的支撑,人工智能就无从谈起.到底什么是机器学习?机器学习跟统计学又有何关系?在1月11日的数据侠线上实验室中,DT君邀请到美国知名大数据教育机构 ...
- python julia_从Julia角度看机器学习的python经验
python julia I recently went through some machine learning training with Python, and wanted to refle ...
- 看机器学习如何驾驭光影:一键为照片增光添彩的“人像光效”
文 / Yun-Ta Tsai 和 Rohit Pandey,Google Research 软件工程师 职业的人像摄影师能够通过专用设备(例如外置闪光灯与反光板)和专业知识,捕捉恰到好处的光照效果, ...
- 人工智能应用(二):从“估车价”看机器学习
提到机器学习,相信大家已经不再陌生,随着人工智能的火热,讲解机器学习算法的文章也铺天盖地.这里我们不再单独讨论某个算法的原理,而是看一看这些"神秘"的算法是如何有效地结合到实际场景 ...
- 秒懂!看机器学习如何净化处理文本
更多深度文章,请关注:https://yq.aliyun.com/cloud 你不能直接把原始文本提交给机器学习或深层学习模型,而必须首先对文本进行净化,也就是将文本分解成单词,以及处理标点符号和大小 ...
最新文章
- TEASOFT 关于远程WEICHAT命令
- statistics conjugate
- 【四重优化,速看】剑指 Offer 13. 机器人的运动范围
- 牛客网SQL篇刷题篇(16-23)
- Day09: socket网络编程-OSI七层协议,tcp/udp套接字,tcp粘包问题,socketserver
- UVa 10570 - Meeting with Aliens
- 图片清晰度识别之改进ssim算法
- maven安装junit_JUnit安装Maven – JUnit 4和JUnit 5
- java接口之双端队列
- Js+fromdata
- Team Foundation Server 开发流程管理管理研讨会
- 解读后天性学者症候群:怎么一闷棍砸出个天才?
- RocketMQ创建topic流程解析
- MobaXterm登录密码重置
- 笔记本高分屏字体模糊_高分屏软件字体模糊的参考解决办法
- Unity根据文字内容自动滚动显示最新文字
- rfc959 FTP传输协议
- Python实战项目23个实战小项目小程序简单
- linux忘了用户名和密码_Linux 服务器忘记用户名密码的找回办法总结linux操作系统 -电脑资料...
- VMware 虚拟机网络配置
热门文章
- Rosalind Java|Finding a Spliced Motif
- c++ socket 多线程 网络聊天室
- jquery插件手风琴效果
- PCL点云(平面点云)分割:Plane Model Segmentation
- linux usleep函数 sleep,LINUX实操:date、sleep和usleep命令
- 关于win10输入法问题(打不出中文)解决方法
- 解决GitHub/GitLab官网访问慢的问题
- 什么是人工智能?什么是机器学习?什么是深度学习?三连问
- Python中单元测试和类的测试
- iOS 性能监控(一)—— CPU功耗监控