机器学习-octave使用

1 == 2    % false

1 ~=2     % true

% 隐藏版本,只显示>> .

PS1(‘>> ‘);

% 输出两位小数格式

disp(sprintf(‘2 decimals: %0.2f‘,a))

% 转换数字格式

format long

format short

v = 1:0.1:2       % v是一个一行十一列矩阵(1.0 1.1 1.2.............2.0)

v = 1:6          % v是一个一行十一列矩阵(1 2 3 4 5 6)

ones(2,3)  zeros(2,3)  rand(2,3)  % 分别生成全为1,全为0,或随机数组成的两行三列矩阵

eye(3)   % 三行三列单位矩阵

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

sz = size(A)    % 行数列数

sz =

  3     2

size(A,1)   % 行数

ans = 3;

size(A,2)    % 列数

ans = 255;

ans = 3;E

>> pwd    % 当前所处路径
ans = C:\Users\Administrator

>> cd ‘C:\Users\Administrator\Desktop‘
>> pwd    % 修改当前所处路径
ans = C:\Users\Administrator\Desktop

load x    % 加载一个文件

who   whos    %显示当前的变量

clear x   % 清除某一个变量

clear   % 清除所有变量

save hello.mat I  %将I 保存到文件中

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

1   2

3   4

5   6

>> A(3,2) ans =  6

>> A(2,:) ans =

3   4

>> A(:,2) ans =

2

4

6

>> A(:,2) = [8; 9; 7]

A =

1   8

3   9

5   7

>> A = [A, [100; 105; 110]]

A =

1     8   100

   3     9   105

   5     7   110

>> A(:)    %将A中所有元素生成一个列向量

ans =

1

   3

5

8

9

7

100

105

110

C = [A B]   %A在左,B在右

C = 【A;B]  %A在上,B在下

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

>> B = [11 12;13 14;15 16]

>> A .* B     % 对应元素分别相乘

ans =

11   24

39   56

75   96

A .^ 2      % 得到一个A中每一个元素平方的矩阵

1 ./ A      % 得到一个A中每一个元素取倒数的矩阵

log(A)   exp(A)   abs(A)  A + 1  ....... % 得到一个A中每一个元素做相应运算的矩阵

>> a = [1 2 3 4]

>> max(a) ans =  4

a < 3

ans =       %对每一个元素进行判断

1  1  0  0

>> max(A)

ans =

5   6

A =[1   2; 3   4; 5   6]

magic(3)    %产生一个三行三列的矩阵,每一行每一列加起来相等

sum(A,1)    %求每一行的和

sum(A,2)    %求每一列的和

>> t = [0:0.01:0.98];
>> y1 = sin(2*pi*4*t);
>> plot(t,y1);   % 画出关于y1-t的图
>> y2 = cos(2*pi*4*t);
>> plot(t,y2);
>> hold on;   %保持y2-t
>> plot(t,y1,‘r‘);   %红色

第二周课程笔记 :

https://www.coursera.org/learn/machine-learning/resources/QQx8l

时间: 2024-10-03 21:54:31

机器学习-octave使用的相关文章

斯坦福大学机器学习公开课 ---Octave Tutorial Transcript

斯坦福大学机器学习公开课 ---Octave Tutorial Transcript Prompt (命令窗口提示符)can be changed with the command PS1('>> '). Transcript 1  Basics 1.1 Basic algebra in Octave Elementary +; -; *; / ;            %arithmetic operations. == ; ~=;&&; ||; xor ;  % logic

从零单排入门机器学习:Octave/matlab的常用知识之矩阵和向量

Octave/matlab的常用知识之矩阵和向量 之前一段时间在coursera看了Andrew ng的机器学习的课程,感觉还不错,算是入门了.这次打算以该课程的作业为主线,对机器学习基本知识做一下总结.小弟才学疏浅,如有错误,敬请指导. Andrew的课程选了Octave/matlab为编程语言.他选择这个估计更多是考虑大众性,这门语言容易入门. 然后我觉得学会使用Octave/matlab还是挺有用的.一来是她天生是个数学工具,开始的研究阶段使用她最方便莫属,注意我这里所说的是研究阶段,商用

【原】Andrew Ng斯坦福机器学习(5)——Lecture 5 Octave Tutorial—5.5 控制语句: for, while, if 语句

5.5 控制语句: for, while, if 语句 参考视频: 5 - 5 - Control Statements_ for, while, if statements (13 min).mkv 1.for 循环 通过 index 访问列向量 1 >> v = zeros(10,1) 2 v = 3 0 4 0 5 0 6 0 7 0 8 0 9 0 10 0 11 0 12 0 13 >> for i = 1 : 10, 14 v(i) = 2 ^ i; 15 end; 1

【机器学习】Octave 实现逻辑回归 Logistic Regression

34.62365962451697,78.0246928153624,0 30.28671076822607,43.89499752400101,0 35.84740876993872,72.90219802708364,0 60.18259938620976,86.30855209546826,1 79.0327360507101,75.3443764369103,1 45.08327747668339,56.3163717815305,0 61.10666453684766,96.51142

Stanford公开课机器学习---4.Matlab/Octave 快速教程

Basic Operations 基本操作 a = 1.0000 15.0000 2.0000 0.5000 % ================format ================ >> format long >> a a = 1.000000000000000 15.000000000000000 2.000000000000000 0.500000000000000 % ================fprintf ================ >&g

机器学习精简入门教程

机器学习教程 一-不懂这些线性代数知识 别说你是搞机器学习的(2016-04-01) 机器学习教程 二-安装octave绘制3D函数图像(2016-04-30) 机器学习教程 三-用scikit-learn求解一元线性回归问题(2016-05-30) 机器学习教程 四-用scikit-learn求解多元线性回归问题(2016-05-30) 机器学习教程 五-用matplotlib绘制精美的图表(2016-05-31) 机器学习教程 六-用scikit-learn求解多项式回归问题(2016-06

机器学习入门资源--汇总

机器学习入门资源--汇总 基本概念 机器学习 机器学习是近20多年兴起的一门多领域交叉学科,涉及概率论.统计学.逼近论.凸分析.算法复杂度理论等多门学科.机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法.机器学习算法是一类从数据中自动分析获得规律,并利用规律对未知数据进行预测的算法.因为学习算法中涉及了大量的统计学理论,机器学习与统计推断学联系尤为密切,也被称为统计学习理论.算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法. 下面从微观到宏观试着梳理一下机器学习的范畴:

第一篇 学习机器学习,从零开始准备

 写在最开始:学了几个月,看了很多建议,走了不少弯路,不忘初心,坚持到底! 以下内容以及接下来的 [机器学习] 系列随笔会记录下我的学习路程,希望对各位有所帮助. 学习原因:危机感 学习准备: 1.下载安装了python 2.7, 后来换成了python3.0,安装各种库累的半死然后下载anaconda一次性搞定,然后python入门,略 2.下载安装了octave,然后看了一份octave入门,在看吴恩达coursera的课程之前,竟然不知道有如此简洁苗条的matlab替代品! 3.找了一堆学

机器学习入门:线性回归及梯度下降

机器学习入门:线性回归及梯度下降 本文会讲到: (1)线性回归的定义 (2)单变量线性回归 (3)cost function:评价线性回归是否拟合训练集的方法 (4)梯度下降:解决线性回归的方法之一 (5)feature scaling:加快梯度下降执行速度的方法 (6)多变量线性回归   Linear Regression 注意一句话:多变量线性回归之前必须要Feature Scaling! 方法:线性回归属于监督学习,因此方法和监督学习应该是一样的,先给定一个训练集,根据这个训练集学习出一个