主题
Python 与 MATLAB 实验指南
从自己熟悉的一列开始。每份实验都给出数据、模型、图和结果核对。完整跑通一门语言后,再切换来排查公式、默认参数或数组含义的差异。
方法页默认显示最简原理版,说明当前依赖和应观察到的结果;完整实践版的依赖与背景写在同一节。可复制代码,或用「下载当前源码」保留 MATLAB 函数需要的文件名。固定数据上的断言用于核对原算例,改动数据和参数后也要重新计算断言中的预期值。
Python 环境
使用 Python 3.11 或更新的稳定版本。建议用项目级虚拟环境,运行时从脚本自己的目录进入。下列命令安装实验所需的通用库。NumPy 用于数组和线性代数,Matplotlib 用于绘图,SciPy 可核对标准数值算法,scikit-learn 提供统计学习模型。
bash
# 创建项目级隔离环境,依赖安装到 .venv 内部。
python -m venv .venv
# Windows 可直接用以下两个命令,无需激活环境。
.venv/Scripts/python -m pip install numpy scipy matplotlib scikit-learn
# 在已下载实验源码的目录运行完整线性回归实验。
.venv/Scripts/python mmf_ols.pyLinux 或 macOS 对应解释器路径是 .venv/bin/python。若仅使用 NumPy 和 Matplotlib 的实验,可以只装这两个。实验脚本以常规命令运行,先输出 LAB_RESULT 和该次计算结果,然后显示图。每个方法页列出该案例实际调用的库。
MATLAB 环境
在 MATLAB 的 Current Folder 切到下载目录,将文件名保留为 mmf_模型名.m,对应的函数名在文件第一行。命令行输入实验函数名,例如 result = mmf_ols()。作批量验收时可以用 matlab -batch "mmf_ols"。基础数组、A\b、eig、svd、ode45 和基础绘图均可直接使用。fitcsvm、fitcknn、TreeBagger、pca 属于 Statistics and Machine Learning Toolbox,linprog 和 intlinprog 属于 Optimization Toolbox,syms 和 solve 属于 Symbolic Math Toolbox。只有使用神经网络等相关接口时才需要 Deep Learning Toolbox,本实训主线用基础数学、统计和优化。根据每页的依赖说明选择基础实现或选读工具箱方法。GNU Octave 未作为此次验收环境。 MATLAB 产品文档
写代码前先标出数组形状
| 工作 | Python / NumPy | MATLAB |
|---|---|---|
| 第一行、第二列 | X[0, 1] | X(1,2) |
| 取前三行的全部列 | X[:3, :] | X(1:3,:) |
| 矩阵乘法 | A @ B | A * B |
| 逐元素乘法 | A * B | A .* B |
| 给矩阵每一列去均值 | X - X.mean(axis=0) | X - mean(X,1) |
| 矩形满列秩最小二乘 | np.linalg.lstsq(A, b, rcond=None)[0] | A\b |
| 转置 | A.T | 实数可用 A',复数普通转置用 A.' |
Python 的一维数组形状是 (n,),不区分行列。b[:, None] 变成 (n,1)。MATLAB 的 [1,2,3] 是行,[1;2;3] 是列。相减前确认维度,广播成功仍可能在计算了错误的矩阵。例如两个本该逐样本相减的向量若分别是
如何对照两门实现
- 固定数据、单位与分割,明确特征列顺序、标签含义、缺失值和预处理参数。用小样本手算一条记录。
- 对齐模型目标。确认损失采用求和还是平均,正则化是否惩罚截距,迭代步数或容差定义是什么。相近的函数接口可能有不同默认值。
- 给出正确的比较量。最小二乘检查残差与预测,PCA 比较保留方差比例和方向绝对内积,聚类按同组关系核对。预测和成本比较要用同一留出数据。秩不足时,两种求解器可给出不同参数,需明确是否要求最小范数解。 MATLAB mldivide
- 每种语言各自设置随机种子,记录库版本和初始化方法。要逐点一致就共享排列索引、初始中心或随机数序列。单独设置相同整数种子通常无法保证生成相同数据。
- 把图当作核对工具。确认轴单位、变换尺度和画的是训练点还是留出点。数值对比使用合理容差,整数标签或人数用精确检查。
小练习
设 @ 和 MATLAB * 核对。