我有两个有序的numpy数组,我想交错它们,以便我从第一个数组中取出一个项目,然后从第二个数据中获取另一个项目,然后返回到第一个 - 获取下一个项目大于我刚刚从中获取的项目第二个等等.这些实际上是其他数组的索引数组,只要操作是向量化的,我就可以对原始数组进行操作(但当然,作为向量操作处理索引数组会非常棒).
示例(可以假设数组的交集为空)
a = array([1,2,3,4,7,8,9,10,17])
b = array([5,6,13,14,15,19,21,23])
我想得到[1,5,7,13,17,19]
我们正在寻找一个带有引导主题的应用程序(例如https://wrapbootstrap.com/theme/smartadmin-responsive-webapp-WB0573SK0),这样我们就可以获得看起来不错的用户界面,而无需在设计上投入太多.
问题是我们想要围绕AngularJS构建它,从我们读到的关于bootstrap的内容来看,它们并不能很好地协同工作.有一些解决方法,例如http://angular-ui.github.io/bootstrap/,但我们不确定它们是否适用于主题.有这方面的经验吗？
是否有任何类似于Bootstrap的框架可以选择(或购买)与AngularJS配合使用的丰富主题？
我试图使用梯度下降在N个参数中找到函数的最小值.但是我想这样做,同时将参数的绝对值之和限制为1(或<= 1,无关紧要).由于这个原因,我使用了拉格朗日乘数的方法,所以如果我的函数是f(x),我将最小化f(x)+ lambda*(g(x)-1)其中g(x)是平滑近似值参数绝对值的总和.
根据我的理解,当g(x)= 1时,此函数的梯度将仅为0,因此找到局部最小值的方法应该找到我的条件也满足的最小函数.问题是这个加法我的函数是无界的,因此Gradient Descent只是找到越来越大的lambdas,它们具有越来越大的参数(绝对值)并且永远不会收敛.
目前我正在使用CG的python(scipy)实现,所以我真的更喜欢不要求我自己重新编写/调整CG代码但使用现有方法的建议.
我使用OLS(多元线性回归)计算了一个模型.我将数据分为训练和测试(每半个),然后我想预测标签的下半部分的值.
model = OLS(labels[:half], data[:half])
predictions = model.predict(data[half:])
问题是我得到并且错误:文件"/usr/local/lib/python2.7/dist-packages/statsmodels-0.5.0-py2.7-linux-i686.egg/statsmodels/regression/linear_model.py" ,第281行,预测返回np.dot(exog,params)ValueError:矩阵未对齐
我有以下数组形状:data.shape:(426,215)labels.shape:(426,)
如果我将输入转置为model.predict,我会得到一个结果,但形状为(426,213),所以我认为它也是错误的(我希望一个213个数字的向量作为标签预测):
model.predict(data[half:].T)
知道如何让它工作吗？
试图使用scipy的linalg.eig来解决广义特征值问题.然后我检查我得到的解决方案,似乎没有返回正确的特征向量.此外,文档建议返回的向量是规范化的,但事实并非如此(尽管这并不会让我感到烦恼).
以下是样本矩阵:
>>> a
array([[ 2.05630374e-01, 8.89584493e-10, -1.46171715e-06],
[ 8.89584493e-10, 2.38374743e-02, 9.43440334e-06],
[ -1.46171715e-06, 9.43440334e-06, 1.39685787e-02]])
>>> b
array([[ 0.22501692, -0.07509864, -0.05774453],
[-0.07509864, 0.02569336, 0.01976284],
[-0.05774453, 0.01976284, 0.01524993]])
运行eig我得到:
>>> w,v = linalg.eig(a,b)
>>> w
array([ 3.08431414e-01+0.j, 5.31170281e+01+0.j, 6.06298605e+02+0.j])
>>> v
array([[-0.26014092, -0.46277857, -0.0224057 ],
[ 0.76112351, -0.59384527, -0.83594841],
[ 1. , -1. , 1. ]])
然后测试结果:
>>> a*v[:,0]
array([[ -5.34928750e-02, 6.77083674e-10, -1.46171715e-06],
[ -2.31417329e-10, 1.81432622e-02, 9.43440334e-06],
[ 3.80252446e-07, 7.18074620e-06, 1.39685787e-02]])
>>> w[0]*b*v[:,0]
array([[-0.01805437+0.j, -0.01762974+0.j, -0.01781023+0.j],
[ 0.00602559-0.j, 0.00603163+0.j, 0.00609548+0.j], …