让AI写的，但很大程度上体现了我的心境。我想每个读研的人，可能或多或少都有过焦虑迷茫、自我怀疑、想过自我放逐的时刻。 真正的成长，或许不是治愈，而是带着伤痕，带着遗憾，继续前行，并且依然能热爱生活，依然对未来充满希望。 生活的意义，或许也不在于追求完美，而在于在不完美中找到属于自己的光芒。

2024年总结回顾：我并不觉得这一年有多么“完美”，但它确实让我变得更加真实和踏实。我开始尝试在不完美中前行，在不确定中寻找确定。未来的路还很长，但我相信，只要保持行动的节奏，一切都会越来越清晰。

对我而言，写作的意义在于把生活中零散的、碎片的事情和经历，重新整理为一个有序的整体，从而将自己的生命更加连贯。就像邓二单单所说，当下的我不仅仅是当下这一瞬间的我，而是无数个过去的我的聚合，每个我就算孤单但一定不孤独，在漫长的时间长河里，有无数的我，可以为当下的我提供力量，不同时空里，有好多个我们在互相打气！

最近几个月，我发现自己在写日记上花了太多时间了，基本上，我会浪费一早上的时间都在工位写日记，不写我还没法安心做事。 这让我开始反思：日记应是提升自己的工具，而非负担，我想要高效地写日记，让日记真正为我所用，而不是变成拖延的借口，浪费自己的时间。

主成分分析计算指标权重用于对象综合评价的原理是能对信息进行压缩，把多个指标变换成几个综合指标，从而计算得到指标的权重和对象的综合得分。

💡AHP层次分析法是什么 层次分析法 (Analytic Hierarchy Process, AHP) 是一种结构化的决策方法，由美国运筹学家托马斯·萨蒂 (Thomas L. Saaty) 教授于 20 世纪 70 年代提出。它将复杂的决策问题分解成多个层次，并通过两两比较的方式确定各个因素的相对重要性，最终得出综合评价结果。AHP 特别适用于那些难以完全定量分析、涉及多个准则和方案的复杂决策问题。 AHP 的核心思想: 将复杂问题层次化、将定性问题定量化。 💡AHP 的具体分析步骤 1️⃣ 建立层次结构模型​ 2️⃣ 构造判断矩阵 (Pairwise Comparison Matrix)​ 3️⃣ 计算权重向量和一致性检验：在构建判断矩阵时，有可能会出现逻辑性错误，比如A比B重要，B比C重要，但却又出现C比A重要。因此需要使用一致性检验是否出现问题。为了检验判断矩阵的一致性，需要计算一致性指标 (Consistency Index, CI) 和一致性比率 (Consistency Ratio, CR)。CR值小于0.1则说明通过一致性检验，反之则说明没有通过一致性检验。​ 4️⃣ 计算综合权重：将方案层相对于每个准则的权重与该准则相对于目标的权重相乘，然后将各个准则的结果相加，得到每个方案的综合权重。​ 5️⃣ 做出决策：根据方案的综合权重进行排序，选择综合权重最高的方案作为最终决策。​ ⭐ 例子：选择旅行目的地​ 假设你计划一次旅行，有三个目的地可供选择：A、B 和 C。你需要考虑以下四个因素：​ ■ 旅游成本 (Cost)​ ■ 景点吸引力 (Attractions)​ ■ 住宿条件 (Accommodation)​ ■ 餐饮质量 (Food)​ 就可以用层次分析法来建模，做出决策

对于一个方阵 A，如果存在一个非零向量 v 和一个标量 λ，使得 Av=λv，那么 λ 就是 A 的特征值（Eigenvalues），v 是对应的特征向量（Eigenvectors）。 但特征值和特征向量的意义和价值不止如此。 在几何意义上，矩阵乘以一个向量，可以看作矩阵对向量所在空间的变换（旋转、拉伸等操作）。而矩阵的特征向量和特征值则直接描述了线性变换的性质。特征向量指明了特定变换下的方向，特征值体现伸缩程度。 特征分解（Eigendecomposition）是将矩阵表示为其特征向量和特征值的组合，即 A=PΛP−1，其中 P 是特征向量组成的矩阵，Λ 是特征值组成的对角矩阵。特征分解不仅能简化计算，比如在复杂运算中可降低难度，而且在主成分分析（PCA）里有着关键应用。

推荐使用V3 API

其实自己很长一段时间都在思考该怎么记文献笔记，怎么管理文献笔记，随着时间积累，也慢慢有了自己的一套方法论。借着昨天组会汇报文献的劲头，正好分享下自己现在是怎么做的，也欢迎其他大佬分享自己的方法。

与人相处，貌似就会有一个预设，默认大家都是讨厌我的，而不是觉得对方是想要和我做朋友的。