Machine Learning——octave的操作(1)——DAY2

1.PS1(‘>>’); ——不显示版本

2.输出:

a=pi;

format long

format short(4位)

disp(sprintf(‘%0.2f’,a))

3.矩阵的输入:

A=[1 2;3 4;5 6]

A(1,2)——取出第一行第二列的值

A(1,:)——取出第一行所有值

A(:,2)——取出第二列所有值

A([1 3],:)——取出第一行和第三行的所有元素

A(:,2)=[1:65:3231]——把第二列的元素改变

A=[A,[1;2;646]]——在原矩阵的基础上增加一列

A(:)——把A中所有元素放在一个列向量中

V=[A,B]或者V=[A B]——把A,B矩阵连接在一起(左右)

V=[A;B]——把A,B矩阵连接在一起(上下)

A=[1 2;

3 4;

5 6]

A=[1;2;6]——列向量

A=[1 2 6]——行向量

V=1:0.1:2——1行11列矩阵

ones(2,6)——生成一个2*6的全为1的矩阵

zeros(3,7)——生成一个3*7的全为0的矩阵

rand(3,9)——生成一个3*9的随机矩阵(每个元素在0-1之间)

w=randn(3,9)——生成一个3*9的随机高斯矩阵

hist(w)——画出直方图(符合高斯分布)

Hist(w,50)——具有50个块的直方图,后面的参数决定条数的多少)

eye(5)——生成一个5*5的单位矩阵

help eye——查看关于eye 的有关信息

size(a)——该命令返回a矩阵的行数和列数

size(a,1)——该命令返回a矩阵的行数

size(a,2)——该命令返回a矩阵的列数

Length(a)——返回a矩阵的最大维度

pwd——查看octave安装路径

cd ‘C:\User\Administrator\Desktop’——把安装路径转到桌面上

who——显示octave当前存储的所有变量

whos——显示octave当前存储的所有变量(更加详细)

clear features——清除变量

v=price(1:10)——建立一个10*1的列向量(price为存放的价格的文件)

save hello.mat v——将变量v存到hello.mat 文件中

save hello.txt v -ascii——将变量v 存到hello.txt文件中

时间: 2024-09-27 03:31:37

Machine Learning——octave的操作(1)——DAY2的相关文章

Machine Learning——octave矩阵操作(2)——DAY3

矩阵的数学操作: Assumed: a为一个矩阵,m是一个向量 Log(a)--求每一个元素的对数 Exp(a)--以e为底的指数 1./a--求每个元素的导师 [a,b]=max(m)--m是一个向量,a为m当中最大的元素,b为a在m中的排列序号(已按从小到大排好) m<3--比如m=[1 6 7],会得到[1 0 0](应该能懂) Find(m>3)--比如m=[1 6 7],会得到[2 3],即大于3的元素的下标(应该能懂) Magic(3)--产生一个3*3的矩阵,每行每列加起来相等

Machine Learning - Octave环境的安装

最近开始看Coursera上面的机器学习课程,上面提到了一个软件--Octave,于是乎我转了下面这篇博客. 不知道是具体什么原因,本人在下载 octave-4.2.1-w64-installer.exe 时,速度奇慢无比,于是下载了 octave-4.2.1-w64.zip ,解压后按照http://wiki.octave.org/Octave_for_Microsoft_Windows里面所说,打开了文件夹中的.bat文件/.vbs文件,然后直接就可以用了. 下载页面:https://ftp

Machine Learning - V. Octave Tutorial (Week 2)

机器学习Machine Learning - Andrew NG courses学习笔记 If you want to build a large scale deployment of a learning algorithm, what people will often do is prototype and the language is Octave.Which is a great prototyping language.So you can sort of get your le

Andrew Ng Machine Learning 专题【Linear Regression】

此文是斯坦福大学,机器学习界 superstar - Andrew Ng 所开设的 Coursera 课程:Machine Learning 的课程笔记. 力求简洁,仅代表本人观点,不足之处希望大家探讨. 课程网址:https://www.coursera.org/learn/machine-learning/home/welcome Week 3: Logistic Regression & Regularization 笔记:http://blog.csdn.net/ironyoung/ar

[Machine Learning] 国外程序员整理的机器学习资源大全

本文汇编了一些机器学习领域的框架.库以及软件(按编程语言排序). 1. C++ 1.1 计算机视觉 CCV —基于C语言/提供缓存/核心的机器视觉库,新颖的机器视觉库 OpenCV—它提供C++, C, Python, Java 以及 MATLAB接口,并支持Windows, Linux, Android and Mac OS操作系统. 1.2 机器学习 MLPack DLib ecogg shark 2. Closure Closure Toolbox—Clojure语言库与工具的分类目录 3

Machine Learning第十一周笔记:photo OCR

博客已经迁移至Marcovaldo's blog (http://marcovaldong.github.io/) 刚刚完毕了Cousera上Machine Learning的最后一周课程.这周介绍了machine learning的一个应用:photo OCR(optimal character recognition,光学字符识别),以下将笔记整理在以下. Photo OCR Problem Description and Pipeline 最后几小节介绍机器学习的一个应用--photo O

[kaggle入门] Titanic Machine Learning from Disaster

Titanic Data Science Solutions¶ https://www.kaggle.com/startupsci/titanic-data-science-solutions 数据挖掘竞赛七个步骤:¶ Question or problem definition. Acquire training and testing data. Wrangle, prepare, cleanse the data. Analyze, identify patterns, and explo

Neural Networks Learning----- Stanford Machine Learning(by Andrew NG)Course Notes

本栏目内容来自Andrew NG老师的公开课:https://class.coursera.org/ml/class/index 一般而言, 人工神经网络与经典计算方法相比并非优越, 只有当常规方法解决不了或效果不佳时人工神经网络方法才能显示出其优越性.尤其对问题的机理不甚了解或不能用数学模型表示的系统,如故障诊断.特征提取和预测等问题,人工神经网络往往是最有利的工具.另一方面, 人工神经网络对处理大量原始数据而不能用规则或公式描述的问题, 表现出极大的灵活性和自适应性. 神经网络模型解决问题的

Introduction ----- Stanford Machine Learning(by Andrew NG)Course Notes

最近学习了coursera上面Andrew NG的Machine learning课程,课程地址为:https://www.coursera.org/course/ml 在Introduction部分NG较为系统的概括了Machine learning的一些基本概念,也让我接触了一些新的名词,这些名词在后续课程中会频繁出现: Machine Learning Supervised Learning Unsupervised Learning Regression Problem Classifi