Search
🔲

Linear Algebra

목차

Instance Functionality

add( arg )

모든 항목에 값을 더합니다.
jStat([[1,2,3]]).add( 2 ) === [[3,4,5]];
Plain Text
복사

subtract( arg )

모든 항목에서 값을 뺍니다.
jStat([[4,5,6]]).subtract( 2 ) === [[2,3,4]];
Plain Text
복사

divide( arg )

모든 항목을 값으로 나눕니다.
jStat([[2,4,6]]).divide( 2 ) === [[1,2,3]];
Plain Text
복사

multiply( arg )

모든 항목에 값을 곱합니다.
jStat([[1,2,3]]).multiply( 2 ) === [[2,4,6]];
Plain Text
복사

dot( arg )

스칼라곱(dot product) 연산을 합니다.

pow( arg )

모든 항목들을 arg만큼 제곱 합니다.
jStat([[1,2,3]]).pow( 2 ) === [[1,4,9]];
Plain Text
복사

exp()

모든 항목들에 대한 자연지수함수(e의 제곱) 값을 구한다.
jStat([[0,1]]).exp() === [[1, 2.718281828459045]]
Plain Text
복사

log()

모든 항목들의 자연 대수를 반환합니다.
jStat([[1, 2.718281828459045]]).log() === [[0,1]];
Plain Text
복사

abs()

모든 항목들의 절대값을 돌려줍니다.
jStat([[1,-2,-3]]).abs() === [[1,2,3]];
Plain Text
복사

norm()

벡터의 정규(norm)을 계산합니다. 행렬이 전달되면 행렬의 첫 번째 행은 norm()에 대한 벡터로 사용됩니다.

angle( arg )

두 벡터 사이의 각도를 계산합니다. 행렬이 전달되면 행렬의 첫 번째 행이 angle()의 벡터로 사용됩니다.

Static Functionality

add( arr, arg )

배열의 모든 항목에 arg를 더합니다.

subtract( arr, arg )

배열의 모든 항목에서 arg를 뺍니다.

divide( arr, arg )

배열의 모든 항목을 arg로 나눕니다.

multiply( arr, arg )

배열의 모든 항목에 arg를 곱합니다.

dot( arr1, arr2 )

Array 1과 Array 2의 스칼라곱을 연산합니다.

pow( arr, arg )

배열의 모든 항목을 arg로 제곱 합니다.

exp(arr)

배열의 모든 항목들에 대한 자연지수함수(e의 제곱) 값을 구한다.

log(arr)

배열의 모든 항목의 자연 로그를 반환합니다.

abs(arr)

배열의 모든 항목의 절대값을 반환합니다.

norm(arr)

벡터의 정규(norm)을 구합니다.

angle( arr1, arr2 )

두 벡터 사이의 각도를 계산합니다.

aug(A,B)

행렬 A를 행렬 B만큼 확장(augmented)시킵니다. 이 메서드는 jStat 객체가 아닌 일반 행렬을 반환합니다.

det(A)

행렬 A의 행렬식을 계산합니다.

inv(A)

행렬 A의 역행렬을 반환합니다.

gauss_elimination(A,B)

행렬 B로 확장된(augmented) 행렬 A에 Gaussian Elimination을 수행합니다.

gauss_jordan(A,B)

행렬 B로 확장된(augmented) 행렬 A에 Gauss-Jordan Elimination을 수행합니다.

lu(A,B)

행렬 A에 LU-Decomposition을 수행합니다.

cholesky(A)

행렬 A에 Cholesky decomposition을 수행합니다.

gauss_jacobi(A,b,x,r)

기본 추측값 r을 가지고 Gauss-Jacobi 방법을 사용하여 선형 시스템 Ax = b를 구합니다.

gauss_seidel(A,b,x,r)

기본 추측값 r을 가지고 Gauss-Seidel 방법을 사용하여 선형 시스템 Ax = b를 구합니다.

SOR(A,b,x,r,w)

기본 추측값 r과 변수 w(오메가)를 가지고 sucessive over-relaxation 방법을 사용하여 선형 시스템 Ax = b를 구합니다.

householder(A)

행렬 A에서 the householder transformation을 수행합니다.

QR()

jacobi()

rungekutta()

romberg()

richardson()

simpson()

hermite()

lagrange()

cubic_spline()

gauss_quadrature()

PCA()