Een NumPy-tabel met $$M$$ rijen en $$N$$ kolommen bevat $$M$$ vectoren met elk $$N$$ elementen. De vector uit rij $$i$$ noemen we $$\mathbf{x}_i$$. Daarnaast is ook een rij $$y$$ met $$M$$ elementen gegeven. Voor elk van de vectoren $$\mathbf{x}_i$$ beschikken we dus over een bijhorende $$y$$-waarde, namelijk $$y_i$$. Verder is gegeven dat bij benadering geldt dat
$$ y_i \approx w_N + \sum_{k=0}^{N-1} w_k x_{i,k} $$
met $$x_{i,k}$$ de $$k$$-de component van $$\mathbf{x_i}$$.

We zoeken nu de vector $$\mathbf{x}_i$$ waarvoor de gemaakte fout in bovenstaande benadering in absolute waarde het grootst is.$$ $$

Schrijf de functie buitenbeentje() met als argumenten:

• de 2D NumPy-tabel ($$M$$ rijen en $$N$$ kolommen) die de vectoren $$\mathbf{x}_i$$ bevat (de rijen van de tabel) $$ $$
• de 1D NumPy-rij ($$M$$ elementen) die de bijhorende $$y$$-waarden bevat $$ $$
• de 1D rij ($$N+1$$ elementen) die de parameters $$w_k$$ bevat $$ $$

Het resultaat van de functie is een 1D-rij. Deze 1D-rij stelt de vector met in absolute waarde grootste foutwaarde voor. Indien er meer dan 1 rij dezelfde maximale fout oplevert, is het resultaat de rij met kleinste rangnummer uit de originele tabel.

Voorbeeld

Merk op dat het Dodonascript je resultaat omzet naar een lijst. Het resultaat van je functie moet wel degelijk een 1D NumPy-rij zijn. De numerieke waarden worden ook afgekapt op 4 decimalen.

buitenbeentje(np.array([[5.9, 2.5, 6.4], [5.3, -2.8, 6.1], [2.1, 1.2, 9.2], [-1.3, -0.7, -7.4], [-4.1, -3.0, 4.9], [3.4, 3.8, 5.6], [-2.3, 5.2, -5.9], [6.1, -1.0, -7.4], [-7.5, -0.4, -4.0], [5.7, -3.1, 7.2]]), np.array([-7.882, -2.183999999999998, -25.173999999999996, 16.231000000000005, -26.677, -13.716999999999999, 2.6030000000000033, 38.79, -13.298000000000002, -3.6709999999999985]), np.array([3, -1, -3, -3]))
#[5.9, 2.5, 6.4]

buitenbeentje(np.array([[-0.3, -7.2, 3.4, -8.4], [2.4, 1.1, -5.1, 5.9], [-8.5, -1.6, 6.8, -3.7], [-8.7, -9.6, -8.4, -0.3], [-4.6, 2.0, -4.2, 5.4], [-3.2, -7.5, 2.3, -7.4]]), np.array([30.385, 4.823999999999998, -44.812, -5.480999999999995, -31.139, 16.102000000000004]), np.array([5, -1, -3, -4, 2]))
#[-4.6, 2.0, -4.2, 5.4]