دستور mean در متلب
میانگین اعداد یک شاخص مرکزی است که در تحلیل دادهها، آمار و یادگیری ماشینی استفاده میشود. دستور mean یکی از توابع پایهای و مهم در پردازش دادهها در متلب است که برای محاسبه میانگین یا میانگین حسابی عناصر یک آرایه یا ماتریس به کار میرود. این دستور کاربردهای گستردهای در تحلیل دادهها، پردازش تصویر، و سایر زمینههای علمی دارد.
برای محاسبه میانگین وزندار که در مباحث هوش مصنوعی و پردازش دادهها استفاده میشود، نمیتوان از دستور mean مستقیما استفاده کرد.
در این محتوای آموزشی که بسیار برای انجام پروژه متلب کاربردی است، در خصوص دستور mean صحبت خواهیم کرد که میتوانید با مطالعه این صفحه از چگونگی استفاده این دستور مطلع شوید.
دستور mean در متلب به صورت زیر استفاده میشود:
توضیحات | دستور |
اگرA یک آرایه یا ماتریس یک بعدی باشد، M میانگین عناصر آن است. اگرA یک آرایه یا ماتریس دو بعدی باشد و M میانگین عناصر ستون است. | M = mean(A) |
اگرA یک آرایه یا ماتریس دو بعدی باشد و M میانگین عناصر سطر است. | M = mean(A,2) |
مثال1- محاسبه میانگین یک بردار
clc; clear; close all
A = [12, 14, 20, 25];
M = mean(A);
disp(M)
خروجی برنامه:
17.7500
توضیح:M مقدار 17.7500 خواهد بود که میانگین عناصر بردار A است.
مثال2- محاسبه میانگین ستون، سطر و کل ماتریس
clc; clear; close all
A = [4 11 18; 15 2 3; 14 0 1];
M_col = mean(A); % میانگین هر ستون
M_row = mean(A, 2); % میانگین هر سطر
M = mean(mean(A));
disp(‘M_col =’);
disp(M_col);
disp(‘M_row =’);
disp(M_row);
disp(‘M =’);
disp(M);
خروجی برنامه:
M_col =
11.0000 4.3333 7.3333
M_row =
11.0000
6.6667
5.0000
M =
7.5556
توضیح:M_col میانگین هر ستون ماتریس A و M_row میانگین هر سطر ماتریس A را، M میانگین همه عناصر ماتریس A را برمیگرداند.
مثال3- میانگین با مقادیر تعریف نشده (NaN) : اگر در حین برنامه و در دادهها، مقادیرNaN باشد، میتوان با استفاده از پارامتر’omitnan’ میانگین را محاسبه کرد:
clc; clear; close all
A = [11, 20, NaN, 13];
M = mean(A, ‘omitnan’);
disp(M)
clc; clear; close all
A = [11, 20, NaN, 13];
M = mean(A, ‘omitnan’);
disp(M)
خروجی برنامه:
14.6667
توضیح:M میانگین مقادیر ماتریس A را بدون لحاظ تعریف نشده (NaN) محاسبه میکند. توجه شود اگر عبارت ‘omitnan’ در دستور فوق نگارش نشود، جواب مثال فوق NaN خواهد بود.
مثال4- میانگین وزندار: برای محاسبه میانگین وزندار که در مباحث هوش مصنوعی و پردازش دادهها استفاده میشود، نمیتوان از دستور mean مستقیما استفاده کرد. کد زیر برای این منظور می تواند استفاده شود.
clc; clear; close all
D = [1, 2, 3, 4, 5];
W = [0.1, 0.2, 0.3, 0.4, 0.5];
M = sum(D .* W) / sum(W);
disp(M)
خروجی برنامه:
3.6667
توضیح:M میانگین وزندار عناصر D با وزنهای W خواهد بود.
مثال5- میانگین متغیرهای چندبعدی: برای آرایههای چندبعدی، دستور mean میانگین را در امتداد یک بعد خاص محاسبه میکند.
clc; clear; close all
E = rand(3, 2,1);
M1 = mean(E, 1); % میانگین در بعد 1
M2 = mean(E, 2); % میانگین در بعد 2
M3 = mean(E, 3); % میانگین در بعد 3
M1, M2, M3
خروجی برنامه:
M1 =
0.5943 0.6977
M2 =
0.6217
0.3522
0.9640
M3 =
0.2785 0.9649
0.5469 0.1576
0.9575 0.9706
توضیح:M1، M2 و M3 میانگینهای آرایه A را در ابعاد مختلف محاسبه میکند. دقت شود که اعداد انتخاب شده در این مثال رندوم است و ممکن است اعداد حاصل برنامه شما متفاوت از مقادیر فوق باشد.
مثال6- تحلیل دادههای تجربی: با فرض اینکه دادههای تجربی جمعآوری شده در یک ماتریس data باشند و هدف محاسبه میانگین هر آزمایش باشد، برنامه زیر مفید خواهد بود:
clc; clear; close all
data = rand(5,3); % شبیهسازی دادههای تصادفی
M = mean(data, 2); % میانگین هر آزمایش
disp( M)
خروجی برنامه:
0.4863
0.3640
0.6926
0.7167
0.3327
توضیح: میانگین هر سطر را محاسبه می کند. دقت شود که اعداد انتخاب شده در این مثال رندوم است و ممکن است اعداد حاصل برنامه شما متفاوت از مقادیر فوق باشد.
مثال7- پردازش تصویر : برای محاسبه میانگین رنگ یک تصویر RGB میتوان از دستور mean استفاده کرد.
clc; clear; close all
image = imread(‘ngc6543a.jpg’);
mean_red = mean(mean(image(:,:,1))) % میانگین رنگ قرمز
mean_green = mean(mean(image(:,:,2))) % میانگین رنگ سبز
mean_blue = mean(mean(image(:,:,3))) % میانگین رنگ آبی
خروجی برنامه:
mean_red =
31.1088
mean_green =
11.8056
mean_blue =
11.3114
توضیح: میانگین هر رنگ جداگانه محاسبه میشود.
مثال8- تحلیل سری زمانی: برای دادههای سری زمانی، میانگین متحرک میتواند محاسبه شود.
clc; clear; close all
time_series = randn(1, 10); % دادههای سری زمانی تصادفی
window_size = 5;
M = movmean(time_series, window_size);
خروجی برنامه:
M = -0.0499 -0.4404 -0.3572 -0.6089 -0.2745 -0.3406 -0.0180 -0.0273 0.4531 0.2640
توضیح:M میانگین متحرک دادههای سری زمانی با اندازه پنجره window_size را نشان میدهد. دقت شود که اعداد انتخاب شده در این مثال رندوم است و ممکن است اعداد حاصل برنامه شما متفاوت از مقادیر فوق باشد.
