贝叶斯(一)先验分布与后验分布
一、先验分布与后验分布
先验分布:将一个未知量θ\thetaθ(这个θ\thetaθ并不是样本x)看做随机变量,应用一个概率分布在抽样前描述关于θ\thetaθ的先验信息的概率陈述,即先验分布
总体信息:样本x所属的数据空间X的分布情况
样本信息:样本x自身的分布情况,一般用P(x∣θ)=∏i=0nP(xi∣θ)P(x|\theta)=\prod_{i=0}^nP(x_i|\theta)P(x∣θ)=∏i=0nP(xi∣θ)表示
后验分布:根据先验分布和样本信息通过贝叶斯公式得到的针对未知量θ\thetaθ的再次估计得到的概率分布
贝叶斯公式:有三种形式:
事件形式:假定A1,...,AkA_1,...,A_kA1,...,Ak是互不相容的事件,他们的和⋃i=1kAi\bigcup_{i=1}^{k}A_i⋃i=1kAi包含事件B,则有:
P(Ai/B)=P(Ai)P(B/Ai)∑i=1kP(Ai)P(B/Ai)P(A_i/B)=\frac{P(A_i)P(B/A_i)}{\sum_{i=1}^{k}P(A_i)P(B/A_i)}P(Ai/B)=∑i=1kP(Ai)P(B/Ai)P(Ai)P(B/Ai)
密度函数:随机变量X有一个密度函数P(x|θ\thetaθ),θ\thetaθ是一个参数,不同θ\thetaθ表示不同的密度函数,因此P(x|θ\thetaθ)可以看做给定θ\thetaθ后的一个条件密度函数,这就可以看做总体的分布。
θ\thetaθ的先验分布为π(θ)\pi(\theta)π(θ),同理,后验分布可以表示为π(θ∣x)\pi(\theta|x)π(θ∣x)其中x是我们抽样后得到的样本
可以把样本x和参数的先验分布联合得到联合密度函数:
h(x1,...,xn,θ)=p(x1,...,xn∣θ)π(θ)h(x_1,...,x_n,\theta)=p(x_1,...,x_n|\theta)\pi(\theta)h(x1,...,xn,θ)=p(x1,...,xn∣θ)π(θ)
在联合密度函数中,当样本x1,...,xnx_1,...,x_nx1,...,xn给定之后,未知的参数就只有θ\thetaθ了,就可以通过样本和先验分布去估计θ\thetaθ的后验分布,只要去掉样本x1,...,xnx_1,...,x_nx1,...,xn的分布就可以了,相当于在这里,事件B就是样本x1,...,xnx_1,...,x_nx1,...,xn的分布,通过积分求得全概率,事件A是θ\thetaθ的分布
π(θ∣x1,...,xn)=h(x1,...,xn,θ)m(x1,...,xn)=p(x1,...,xn∣θ)π(θ)∫θp(x1,...,xn∣θ)π(θ)dθ\pi(\theta|x_1,...,x_n)=\frac{h(x_1,...,x_n,\theta)}{m(x_1,...,x_n)}=\frac{p(x_1,...,x_n|\theta)\pi(\theta)}{\int_{\theta}{p(x_1,...,x_n|\theta)\pi(\theta)}d\theta}π(θ∣x1,...,xn)=m(x1,...,xn)h(x1,...,xn,θ)=∫θp(x1,...,xn∣θ)π(θ)dθp(x1,...,xn∣θ)π(θ)
其中,m(x1,...,xn)m(x_1,...,x_n)m(x1,...,xn)是样本x的边缘分布,或者说全概率
离散形式:当θ\thetaθ是离散随机变量的时候,先验分布是π(θi)\pi(\theta_i)π(θi),后验分布是
π(θi∣x)=p(x∣θi)π(θi)∑jp(x∣θj)π(θj),i=1,2,...\pi(\theta_i|x)=\frac{p(x|\theta_i)\pi(\theta_i)}{\sum_j{p(x|\theta_j)\pi(\theta_j)}},i=1,2,...π(θi∣x)=∑jp(x∣θj)π(θj)p(x∣θi)π(θi),i=1,2,...
共轭先验分布:未知量θ\thetaθ的先验分布π(θ)\pi(\theta)π(θ)和后验分布π(θ∣x)\pi(\theta|x)π(θ∣x)有着相同的分布函数形式,只是参数不同,则π(θ)\pi(\theta)π(θ)是变量θ\thetaθ的共轭先验分布
总体分布 参数 共轭先验分布 正态分布N(θ,σ2)N(\theta,\sigma^2)N(θ,σ2) 均值θ\thetaθ 正态分布N(μ,γ2)−N(x‾σ−2n+μγ−2σ−2n+γ−2,σ2nγ2σ2n+γ2)N(\mu,\gamma^2)-N(\frac{\overline{x}\frac{\sigma^{-2}}{n}+\mu\gamma^{-2}}{\frac{\sigma^{-2}}{n}+\gamma^{-2}},\frac{\frac{\sigma^2}{n}\gamma^2}{\frac{\sigma^2}{n}+\gamma^2})N(μ,γ2)−N(nσ−2+γ−2xnσ−2+μγ−2,nσ2+γ2nσ2γ2) 正态分布N(θ,σ2)N(\theta,\sigma^2)N(θ,σ2) 方差σ2\sigma^2σ2 逆伽马分布IGA(α,λ)−IGA(α+n/2,λ+12∑i=1n(xi−θ)2)IGA(\alpha,\lambda)-IGA(\alpha+n/2,\lambda+\frac12\sum_{i=1}^n{(x_i-\theta)^2})IGA(α,λ)−IGA(α+n/2,λ+21∑i=1n(xi−θ)2) 二项分布B(n,p)B(n,p)B(n,p) 成功概率ppp 贝塔分布Be(α,β)Be(\alpha,\beta)Be(α,β) 泊松分布π(θ)\pi(\theta)π(θ) 均值θ\thetaθ 伽马分布Ga(α,λ)Ga(\alpha,\lambda)Ga(α,λ) 指数分布 均值的倒数 伽马分布Ga(α,λ)Ga(\alpha,\lambda)Ga(α,λ) 充分统计量:是关于样本的一个函数,不损失信息的统计量,或者说不损失当前关注(例如θ\thetaθ)的信息。当得到充分统计量T的某个取值t之后,失去原始样本x1,...xnx_1,...x_nx1,...xn不会影响预测结果
因子分解定理:一个统计量T(x)对参数θ\thetaθ是充分的⇔\Leftrightarrow⇔存在一个t与θ\thetaθ的函数g(t,θ)g(t,\theta)g(t,θ)和一个样本x的函数h(x)使得对任意一个样本x和未知量θ\thetaθ都有样本的联合概率密度P(x∣θ)P(x|\theta)P(x∣θ)为
P(x∣θ)=g(T(x),θ)h(x)P(x|\theta)=g(T(x),\theta)h(x)P(x∣θ)=g(T(x),θ)h(x)
例题:
设事件A的概率为θ\thetaθ,即π(A)=θ\pi(A)=\thetaπ(A)=θ,为了估计θ\thetaθ而做n次独立观察,其中A事件出现的次数为X,则有X服从二项分布b(n,θ)b(n,\theta)b(n,θ),即P(X=x∣θ)=Cnxθx(1−θ)n−x,x=0,1,..,nP(X=x|\theta)=C_n^x\theta^x(1-\theta)^{n-x},x=0,1,..,nP(X=x∣θ)=Cnxθx(1−θ)n−x,x=0,1,..,n,求后验分布。
设θ\thetaθ的先验分布是一个均匀分布
π(θ)={1,0<θ<10,other\pi(\theta)=\begin{cases}1,0<\theta<1\\0,other\end{cases}π(θ)={1,0<θ<10,other
此时,可以做出θ\thetaθ的联合密度函数
h(X,θ)=Cnxθx(1−θ)n−xπ(θ)=Cnxθx(1−θ)n−x,x=0,1,...,n,0<θ<1h(X,\theta)=C_n^x\theta^x(1-\theta)^{n-x}\pi(\theta)\\=C_n^x\theta^x(1-\theta)^{n-x},x=0,1,...,n,0<\theta<1h(X,θ)=Cnxθx(1−θ)n−xπ(θ)=Cnxθx(1−θ)n−x,x=0,1,...,n,0<θ<1
注意,这里限制了参数的分布区域
然后对其求积分可以得到边缘密度函数m(X)
m(X)=∫01h(X,θ)dθ=∫01Cnxθx(1−θ)n−xdθ=Cnx∫01θx(1−θ)n−xdθm(X)=\int_0^1{h(X,\theta)d\theta=\int_0^1{C_n^x\theta^x(1-\theta)^{n-x}}}d\theta\\=C_n^x\int_0^1\theta^x(1-\theta)^{n-x}d\thetam(X)=∫01h(X,θ)dθ=∫01Cnxθx(1−θ)n−xdθ=Cnx∫01θx(1−θ)n−xdθ
这里由于伽马分布有
Γ(s)=∫0∞xs−1e−xdx,Γ(s+1)=sΓ(s),Γ(n+1)=n!\Gamma(s)=\int_0^\infty{x^{s-1}e^{-x}dx},\Gamma(s+1)=s\Gamma(s),\Gamma(n+1)=n!Γ(s)=∫0∞xs−1e−xdx,Γ(s+1)=sΓ(s),Γ(n+1)=n!
而贝塔分布可以看做
Be(p,q)=∫01xp−1(1−x)q−1dx,p>0,q>0=Γ(p)Γ(q)Γ(p+q)Be(p,q)=\int_0^1x^{p-1}(1-x)^{q-1}dx,p>0,q>0\\=\frac{\Gamma(p)\Gamma(q)}{\Gamma(p+q)}Be(p,q)=∫01xp−1(1−x)q−1dx,p>0,q>0=Γ(p+q)Γ(p)Γ(q)
所以边缘密度函数m(X)可以表示为
m(X)=CnxΓ(x+1)Γ(n−x+1)Γ(n+2)m(X)=C_n^x\frac{\Gamma(x+1)\Gamma(n-x+1)}{\Gamma(n+2)}m(X)=CnxΓ(n+2)Γ(x+1)Γ(n−x+1)
所以后验分布就有
π(θ∣X)=h(X,θ)m(X)=θx(1−θ)n−xΓ(n+2)Γ(x+1)Γ(n−x+1)\pi(\theta|X)=\frac{h(X,\theta)}{m(X)}=\frac{\theta^x(1-\theta)^{n-x}\Gamma(n+2)}{\Gamma(x+1)\Gamma(n-x+1)}π(θ∣X)=m(X)h(X,θ)=Γ(x+1)Γ(n−x+1)θx(1−θ)n−xΓ(n+2)
正态均值(方差已知)的共轭先验分布是正态分布。
已知正态分布N(θ,σ2)N(\theta,\sigma^2)N(θ,σ2),样本X={x1,...,xnx_1,...,x_nx1,...,xn}
其似然函数为
p(X∣θ)=(−12πσ)nexp{−12σ2∑i=1n(xi−θ)2}p(X|\theta)=(-\frac1{\sqrt{2\pi}\sigma})^nexp\{-\frac1{2\sigma^2}\sum_{i=1}^n(x_i-\theta)^2\}p(X∣θ)=(−2πσ1)nexp{−2σ21∑i=1n(xi−θ)2}
确定先验分布,这里是取正态分布N(μ,γ2)N(\mu,\gamma^2)N(μ,γ2)作为θ\thetaθ的先验分布,即:
π(θ)=(−12πγ)exp{−12γ2(θ−μ)2}\pi(\theta)=(-\frac1{\sqrt{2\pi}\gamma})exp\{-\frac1{2\gamma^2}(\theta-\mu)^2\}π(θ)=(−2πγ1)exp{−2γ21(θ−μ)2}
求出其联合密度函数
h(X,θ)=p(X∣θ)π(θ)=p(X∣θ)=(−12πσ)nexp{−12σ2∑i=1n(xi−θ)2}(−12πγ)exp{−12γ2(θ−μ)2}=(−12πσ)n(−12πγ)exp{−12σ2∑i=1n(xi−θ)2−12γ2(θ−μ)2}h(X,\theta)=p(X|\theta)\pi(\theta)\\=p(X|\theta)=(-\frac1{\sqrt{2\pi}\sigma})^nexp\{-\frac1{2\sigma^2}\sum_{i=1}^n(x_i-\theta)^2\}(-\frac1{\sqrt{2\pi}\gamma})exp\{-\frac1{2\gamma^2}(\theta-\mu)^2\}\\=(-\frac1{\sqrt{2\pi}\sigma})^{n}(-\frac1{\sqrt{2\pi}\gamma})exp\{-\frac1{2\sigma^2}\sum_{i=1}^n(x_i-\theta)^2-\frac1{2\gamma^2}(\theta-\mu)^2\}h(X,θ)=p(X∣θ)π(θ)=p(X∣θ)=(−2πσ1)nexp{−2σ21∑i=1n(xi−θ)2}(−2πγ1)exp{−2γ21(θ−μ)2}=(−2πσ1)n(−2πγ1)exp{−2σ21∑i=1n(xi−θ)2−2γ21(θ−μ)2}
将其中展开
−12σ2∑i=1n(xi−θ)2−12γ2(θ−μ)2=−12σ2(∑i=1n(xi2−2θxi+θ2))−12μ2(θ2−2θμ+μ2)-\frac1{2\sigma^2}\sum_{i=1}^n(x_i-\theta)^2-\frac1{2\gamma^2}(\theta-\mu)^2\\=-\frac1{2\sigma^2}(\sum_{i=1}^n(x_i^2-2\theta x_i+\theta^2))-\frac1{2\mu^2}(\theta^2-2\theta\mu+\mu^2)−2σ21∑i=1n(xi−θ)2−2γ21(θ−μ)2=−2σ21(∑i=1n(xi2−2θxi+θ2))−2μ21(θ2−2θμ+μ2)
因为∑i=1nxi=n∗x‾\sum_{i=1}^nx_i=n*\overline{x}∑i=1nxi=n∗x,其中x‾\overline{x}x是样本均值∑i=1nxin\sum_{i=1}^n\frac{x_i}n∑i=1nnxi
=−12[∑i=1nxi2−2θnx‾+nθ2σ2+θ2−2θμ+μ2μ2]=-\frac12[\frac{\sum_{i=1}^nx_i^2-2\theta n\overline{x}+n\theta^2}{\sigma^2}+\frac{\theta^2-2\theta\mu+\mu^2}{\mu^2}]=−21[σ2∑i=1nxi2−2θnx+nθ2+μ2θ2−2θμ+μ2]
故有联合密度函数
h(X,θ)=(−12πσ)n(−12πγ)exp{−12[∑i=1nxi2−2θnx‾+nθ2σ2+θ2−2θμ+μ2μ2]}h(X,\theta)=(-\frac1{\sqrt{2\pi}\sigma})^{n}(-\frac1{\sqrt{2\pi}\gamma})exp\{-\frac12[\frac{\sum_{i=1}^nx_i^2-2\theta n\overline{x}+n\theta^2}{\sigma^2}+\frac{\theta^2-2\theta\mu+\mu^2}{\mu^2}]\}h(X,θ)=(−2πσ1)n(−2πγ1)exp{−21[σ2∑i=1nxi2−2θnx+nθ2+μ2θ2−2θμ+μ2]}
根据联合密度函数,可以有x的边缘分布函数
m(x)=∫−∞∞h(X,θ)dθ=∫−∞∞(−12πσ)n(−12πγ)exp{−12[∑i=1nxi2−2θnx‾+nθ2σ2+θ2−2θμ+μ2μ2]}dθm(x)=\int_{-\infty}^{\infty}h(X,\theta)d\theta\\=\int_{-\infty}^{\infty}(-\frac1{\sqrt{2\pi}\sigma})^{n}(-\frac1{\sqrt{2\pi}\gamma})exp\{-\frac12[\frac{\sum_{i=1}^nx_i^2-2\theta n\overline{x}+n\theta^2}{\sigma^2}+\frac{\theta^2-2\theta\mu+\mu^2}{\mu^2}]\}d\thetam(x)=∫−∞∞h(X,θ)dθ=∫−∞∞(−2πσ1)n(−2πγ1)exp{−21[σ2∑i=1nxi2−2θnx+nθ2+μ2θ2−2θμ+μ2]}dθ
令k1=(2π)n+12γ−1σ−n,σ02=σ2n样本方差,A=1σ02+1γ2,B=x‾σ02+μγ2,C=1σ2∑i=1nxi2+μ2γ2,k2=k1exp{−12(C−B2A)})k_1=(2\pi)^{\frac{n+1}2}\gamma^{-1}\sigma^{-n},\sigma_0^2=\frac{\sigma^2}{n}样本方差,A=\frac1{\sigma_0^2}+\frac1{\gamma^2},B=\frac{\overline{x}}{\sigma_0^2}+\frac{\mu}{\gamma^2},\\C=\frac1{\sigma^2}\sum_{i=1}^nx_i^2+\frac{\mu^2}{\gamma^2},k_2=k_1exp\{-\frac12(C-\frac{B^2}A)\})k1=(2π)2n+1γ−1σ−n,σ02=nσ2样本方差,A=σ021+γ21,B=σ02x+γ2μ,C=σ21∑i=1nxi2+γ2μ2,k2=k1exp{−21(C−AB2)})
可有
h(X,θ)=k2exp{−(θ−B/A)22/A}m(x)=k2(2πA)12h(X,\theta)=k_2exp\{-\frac{(\theta-B/A)^2}{2/A}\}\\m(x)=k_2(\frac{2\pi}{A})^{\frac12}h(X,θ)=k2exp{−2/A(θ−B/A)2}m(x)=k2(A2π)21
可以得到θ\thetaθ的后验分布
π(θ∣X)=(A2π)12exp{θ−B/A)22/A}\pi(\theta|X)=(\frac A{2\pi})^{\frac12}exp\{\frac{\theta-B/A)^2}{2/A}\}π(θ∣X)=(2πA)21exp{2/Aθ−B/A)2}
可以看到,这是一个关于θ\thetaθ的正态分布N(μ1,γ12)N(\mu_1,\gamma_1^2)N(μ1,γ12),其中
μ1=BA=x‾σ0−2+μγ−2σ0−2+γ−2,1γ12=1γ2+1σ02\mu_1=\frac BA=\frac{\overline{x}\sigma_0^{-2}+\mu\gamma^{-2}}{\sigma_0^{-2}+\gamma^{-2}},\frac1{\gamma_1^2}=\frac1{\gamma^2}+\frac1{\sigma_0^2}μ1=AB=σ0−2+γ−2xσ0−2+μγ−2,γ121=γ21+σ021
设X表示人的胸围,根据经验,胸围是近似服从正态分布的。现测量了n=10000个人的胸围,得样本均值为39.8(cm),总体方差已知为4,假设θ的先验分布为N(38,9),求θ的后验分布。
此时有充分统计量x‾=39.8,n=10000,σ02=4/10000\overline{x}=39.8,n=10000,\sigma_0^2=4/10000x=39.8,n=10000,σ02=4/10000
先验分布已知,即μ=38,γ2=9\mu=38,\gamma^2=9μ=38,γ2=9
可以直接用共轭先验分布得到后验分布
μ1=x‾σ0−2+μγ−2σ0−2+γ−2=39.8∗10000/4+38/910000/4+1/9=39.8γ12=γ2σ02γ2+σ02=4/10000∗94/10000+9=1/2500N(39.8,1/2500)\mu_1=\frac{\overline{x}\sigma_0^{-2}+\mu\gamma^{-2}}{\sigma_0^{-2}+\gamma^{-2}}=\frac{39.8*10000/4+38/9}{10000/4+1/9}=39.8\\ \gamma_1^2=\frac{\gamma^2\sigma_0^2}{\gamma^2+\sigma_0^2}=\frac{4/10000*9}{4/10000+9}=1/2500\\N(39.8,1/2500)μ1=σ0−2+γ−2xσ0−2+μγ−2=10000/4+1/939.8∗10000/4+38/9=39.8γ12=γ2+σ02γ2σ02=4/10000+94/10000∗9=1/2500N(39.8,1/2500)
二项分布的成功概率θ的共轭先验分布是贝塔分布。
设总体X−b(n,θ)X-b(n,\theta)X−b(n,θ)
则有b(n,θ)∝θx(1−θ)n−xb(n,\theta)\varpropto\theta^x(1-\theta)^{n-x}b(n,θ)∝θx(1−θ)n−x
假设,θ\thetaθ的先验分布是贝塔分布,即Be(α,β)∝θα−1(1−θ)β−1Be(\alpha,\beta)\varpropto\theta^{\alpha-1}(1-\theta)^{\beta-1}Be(α,β)∝θα−1(1−θ)β−1
有后验分布π(θ∣X)∝θx+α−1(1−θ)n−x+β−1\pi(\theta|X)\varpropto\theta^{x+\alpha-1}(1-\theta)^{n-x+\beta-1}π(θ∣X)∝θx+α−1(1−θ)n−x+β−1
贝叶斯(一)先验分布与后验分布相关推荐
- 贝叶斯推断 概率编程初探
1. 写在之前的话 0x1:贝叶斯推断的思想 我们从一个例子开始我们本文的讨论.小明是一个编程老手,但是依然坚信bug仍有可能在代码中存在.于是,在实现了一段特别难的算法之后,他开始决定先来一个简单的 ...
- 独家 | 一文读懂机器学习中的贝叶斯统计学
作者:Matthew Stewart, PhD Researcher 翻译:吴金笛 校对:丁楠雅 本文约4300字,建议阅读15分钟. 本文主要是向新手介绍贝叶斯方法并将其与频率方法进行比较. 你有没 ...
- 【机器学习】朴素贝叶斯(Naive Bayes)
在所有的机器学习分类算法中,朴素贝叶斯和其他绝大多数的分类算法都不同.对于大多数的分类算法,比如决策树,KNN,逻辑回归,支持向量机等,他们都是判别方法,也就是直接学习出特征输出Y和特征X之间的关系, ...
- 机器学习之朴素贝叶斯算法原理
朴素贝叶斯(naive Bayes)法是基于贝叶斯定理与特征条件独立假设的分类方法.它和其他绝大多数的分类算法都不同. 对于大多数的分类算法,比如决策树,KNN,逻辑回归,支持向量机等,他们都是判别方 ...
- 机器学习算法总结之朴素贝叶斯法
写在前面 贝叶斯分类是一类分类算法的总称,这类算法均以贝叶斯定理为基础,故统称为贝叶斯分类.而朴素朴素贝叶斯分类是贝叶斯分类中最简单,也是常见的一种分类方法.它是基于贝叶斯定理和特征条件独立假设分类方 ...
- python高频面试题_02-27 朴素贝叶斯
https://www.cnblogs.com/nickchen121/p/11686958.html 朴素贝叶斯 朴素贝叶斯是基于贝叶斯公式与特征条件独立假设的分类方法(注:贝叶斯公式是数学定义,朴 ...
- 【贝叶斯神经网络训练】(torch实现)
从这里https://blog.csdn.net/dhaiuda/article/details/106383465学习到的,只是在其中加了批注而已,便于自己理解,有些地方理解可能不对,一起学习! # ...
- 一文读懂机器学习中的贝叶斯统计学
作者:Matthew Stewart, PhD Researcher 翻译:吴金笛 校对:丁楠雅 本文约4300字,建议阅读15分钟. 本文主要是向新手介绍贝叶斯方法并将其与频率方法进行比较. 你 ...
- 机器学习算法之朴素贝叶斯模型
基本原理 从统计学知识回到我们的数据分析.假如我们的分类模型样本是: 即我们有m个样本,每个样本有n个特征,特征输出有k个类别,定义为C1,C2,-,Ck,.从样本我们可以学习得到朴素贝叶斯的先验分布 ...
- 贝叶斯学派:先验分布、后验分布、共轭分布、共轭先验分布
转:https://blog.csdn.net/xbmatrix/article/details/63253177 概述: 贝叶斯学派和频率学派的区别之一是特别重视先验信息对于inference的影响 ...
最新文章
- 【Java源码分析】LinkedHashSet和HashSet源码分析
- python爬虫百科-Python爬虫之requests库介绍(一)
- 2011年全国软件大赛模拟题及参考答案(Java高职组)
- SAP Fiori应用里出现http request错误的原因分析
- 手机连接投影机的步骤_家用投影仪如何安装 家用投影仪安装方法【步骤详解】...
- 计算机二级考试开考多久能出来,【计算机二级】明天就要开考了,你们准备好了吗?...
- 【渝粤教育】21秋期末考试物权法10774k1
- jquery中ajax的使用例子($.ajax())
- 更新pip下载jupyter lab
- u盘扩容盘用什么软件测试,如何检测所购买的U盘是否为扩容盘?
- 平安城市视频监控运维解决方案
- 坚果pro2刷回官方_锤子坚果Pro2手机降回6.0.3版本教程
- 详细介绍如何使用MATLAB中的机器人工具箱建立机器人模型(DH法建模)(机械臂)
- IDF实验室之牛刀小试
- c语言删除元素1116,C语言网-1116题-IP判断
- Android 主线程子线程执行关系
- R语言|根据列名提取/筛选列的两种方法
- 自制操作系统日志——第二十五天
- git常用命令-最基本操作
- 和谁在一起,的确很重要