weixin_36378508的博客

1. 特征值和特征向量关于特征值和特征向量左侧A矩阵为m*n的矩阵，其中w为n维的向量，即为特征向量右侧lambda为特征向量w对应的特征值基于分解的特征向量和特征值，可以将矩阵A作出以下分解：2. SVD定义SVD也是对特征值分解，但是和特征值分解不同，SVD分解并不要求被分解的矩阵为方阵，假设我们的矩阵mn的矩阵，那么定义矩阵的SVD为如下：其中U是一个mm的矩阵，是一个mn的矩阵，除了主对角线上的元素以外全为0，主对角线上的每个元素都称为奇异值，V是一个nn的矩阵。U和V都

原码原码就是二进制的初始表示符号位，即最高位为符号位：正数该位为0，负数该位为1（0有两种表示：+0和-0），其余位表示数值的大小。正数相加没问题，但是负数的加法就出问题了：负数的加法只考虑绝对值数值的增加而未考虑负数的特性。而负数加负数的绝对值相反，所以在原码上负数的加法就成了一个难题，走不通。负数的原码无法实现加法，因为原码如果进行加法实现的是与符号无关数值绝对值的加法。所以这点和负数的加法规则矛盾，并且计算机也只会加法。咱们只能另从它计。反码反码的定义是这样的：正数的反码与其

T检验（Binary）T检验是一种适合小样本的统计分析方法，通过比较不同数据的均值，研究两组数据是否存在差异。我们参考《python科学计算第二版》使用Python进行机器学习的假设检验（附链接&代码）：单样本t检验单样本t检验是样本均值与总体均值的比较问题。其中总体服从正态分布，从正态总体中抽样得到n个个体组成抽样样本，计算抽样样本均值和标准差，判断总体均值与抽样样本均值是否相同。from scipy.stats import ttest_1sampimport numpy as

一 概述利用矩阵分解来解决实际问题的分析方法很多，如PCA(主成分分析)、ICA(独立成分分析)、SVD(奇异值分解)、VQ(矢量量化)等。在所有这些方法中，原始的大矩阵V被近似分解为低秩的V=WH形式。这些方法的共同特点是，因子W和H中的元素可为正或负，即使输入的初始矩阵元素是全正的，传统的秩削减算法也不能保证原始数据的非负性。在数学上，从计算的观点看，分解结果中存在负值是正确的，但负值元素在实际问题中往往是没有意义的。例如图像数据中不可能有负值的像素点；在文档统计中，负值也是无法解释的。二 矩阵基础

1、狄利克雷函数Dirichlet function定义：定义在实数范围内、值域不连续的函数。以Y轴为对称轴，偶函数，处处不连续。值域的取值为{0，1}，当x为有理数时，D(x)=1，无理数时，D(x)=0。2.狄利克雷分布3.二项分布4、beta分布与二项式分布共轭的分布，即Beta分布。5.二项分布的后验概率：归一化后得到后验概率6 共轭分布在贝叶斯统计中，如果后验分布与先验分布属于同类，则先验分布与后验分布被称为共轭分布，而先验分布被称为似然函数的共轭先

1 不等式文集https://spaces.ac.cn/archives/1689https://bbs.emath.ac.cn/thread-1549-1-1.html2 积分表https://spaces.ac.cn/archives/354https://bbs.emath.ac.cn/thread-293-1-1.html3.爱因斯坦相对论的论文https://spaces.ac.cn/archives/259