a = /
a //输出的还是2/123
N[a] //输出的就是小数点
N[a,] //保留三位小数点
Clear[a]
Solve[== x^- , x] //结果-3 和 3
Plot[Sin[x], {x, , pi}]
Integrate[/( - x^), x]
Log[] =
积分中的积分d 一定适用esc dd 打出来的 或者\[DifferentialD]. 求导:
f = /(+x)
D[f,x] 也就是f'(x)
D[f, {x, }] 二阶导
ScientificForm[0.0000125] = 1.25 * (^-) //这种是科学计数 微分:
DSolve[{y'[x] - 2*y[x] == 0}, y[x], x] //不带初值
DSolve[{y'[x] - 2*y[x] == 0, y[0] == 1}, y[x], x] //初值微分方程y'-2y= y[]=

绘图:

1,one dim一元函数

2,画带有积分的一元函数要注意:

参数方程:

x=(sin t) ^3

y=(cos t) ^3

同时绘制2个参数图:

参数图并且求导:

三维参数图:

r(t ) = (cos t)i + (sin t)j + (sin2t)k

z = x^2 + y^2

ContourPlot3D[x^2 + y^2 == z, {x, -3, 3}, {y, -3, 3}, {z, -18, 18}, PlotLabel -> "x^2+y^2=z"] 

2,:z^2 + x^2 -y^2=1

3 二元函数:

二元函数的图形是三维坐标空间的一个点集. 所以二元函数形式为f(x,y) ,f(x,y)= c ,就是等位线(等高线)方程。

画 (a)二元函数给定的曲面,(b)并且画等高线(等位线),(c)并且画f 给定点的等高线(等位线)

 4,三元函数:

三元函数的的图形是四维空间的一个点集. 所以画三元函数的一些等高线便于理解三元函数.

例如:f(x,y,z) = 4Ln(x^2 + y^2 + z^2)

可以画f(x,y,z) = 0 ,f(x,y,z)=1 .... 三维等位面图形。

5,参数化表面:并画等位线

x = u cosv,   y=u sinv,  z=u , 0<=u <=2,  0<=v<=2Pi

ParametricPlot3D[{u*Cos[v], u Sin[v], u},  {u, , }, {v, ,
Pi} ]
ParametricPlot[
Evaluate[Table[{z Cos[v], z Sin[v]}, {z, , , /}]], {v, , Pi},
AspectRatio -> Automatic]

偏导数不存在的f(x,y) = sqrt(x^2 + y^2)

最小二乘法,线性回归算法。

自己在笔上求了一阶偏导数=0时的临界点。二阶偏导数太麻烦,还要判断Wxx*Fyy - (Wxy)^2 > 0 , Wxx>0 才满足求到最近距离。直接把上答案。

一阶偏导数推到过程:

二阶具体完整过程:

分析二阶偏导数,才能确定是不是 w最小。

最小二乘方平面拟合:

画3d图形,绘制等高线,求二阶导数fxx,fyy,fxy,求fxx*fyy - fxy^2:

Clear[x, y];
f[x_, y_] = 2*x^4 + y^4 - 2*x^2 - 2*y^2 + 3;
{xmin, xmax} = {-3/2 , 3/2};
{ymin, ymax} = {-3/2, 3/2};
Plot3D[f[x, y], {x, xmin, xmax}, {y, ymin, ymax}] (* 绘制三维图形 *)
ContourPlot[f[x, y], {x, xmin, xmax}, {y, ymin, ymax}] (* 绘制几条等高线 *)
fx = D[f[x, y], x] ;
fy = D[f[x, y], y]; (* 求critical points*)
cirt = Solve[{fx == 0, fy == 0}]; (*把临界点写成{x,y} {x,y} {x,y}... 形式*)
critpts = {x, y} /. cirt (* 求二阶导数*)
fxx = D[fx, x];
fxy = D[fx, y];
fyy = D[fy, y]; (*二阶导数判别法 写成{{临界点},判别法的值,fxx的值}*)
disc = fxx * fyy - fxy ^2 {{x, y}, disc, fxx} /. cirt

输出:

 lagrange method:

到一个点的极大距离,求球面x^2+y^2+z^2=4离点(1,-1,1)最远的点

1, method 1 use the build-in function Select[] method... But i think the it is not fastest, The F function has run two times order to get variable d

and Select[] method also run the f[x,y,z] two times. Select[] and Map[] should pay attention to these two functions.Big loop~......o(N) + o(N)

Use fully programming method: o(N)

as you can see, the d variable is not useable.

RegionPlot/PolarPlot 区域图/极坐标图

Mathematica/偏导数/最小二乘法(线性回归)的更多相关文章

  1. 线性回归和Logistic回归

    目录 线性回归 用线性回归模型拟合非线性关系 梯度下降法 最小二乘法 线性回归用于分类(logistic regression,LR) 目标函数 如何求解\(\theta\) LR处理多分类问题 线性 ...

  2. Spark2.0机器学习系列之12: 线性回归及L1、L2正则化区别与稀疏解

    概述 线性回归拟合一个因变量与一个自变量之间的线性关系y=f(x).       Spark中实现了:       (1)普通最小二乘法       (2)岭回归(L2正规化)       (3)La ...

  3. 线性回归-API

    线性回归的定义 利用回归方程(函数)对一个或多个自变量(特征值)和因变量(目标值)之间关系进行建模的一种分析方式 线性回归的分类 线性关系 非线性关系 损失函数 最小二乘法 线性回归优化方法 正规方程 ...

  4. 【OCR技术系列之五】自然场景文本检测技术综述(CTPN, SegLink, EAST)

    文字识别分为两个具体步骤:文字的检测和文字的识别,两者缺一不可,尤其是文字检测,是识别的前提条件,若文字都找不到,那何谈文字识别.今天我们首先来谈一下当今流行的文字检测技术有哪些. 文本检测不是一件简 ...

  5. PHP-ML机器学习库之安装篇

    1.PHP-ML库安装要求:PHP>=7.1 2.切换到项目的跟目录下,使用composer进行安装:composer require php-ai/php-ml 安装完成后的目录如下: 新建测 ...

  6. 广义线性模型(GLM, Generalized Linear Model)

    引言:通过高斯模型得到最小二乘法(线性回归),即:      通过伯努利模型得到逻辑回归,即:      这些模型都可以通过广义线性模型得到.广义线性模型是把自变量的线性预测函数当作因变量的估计值.在 ...

  7. 【笔记】机器学习 - 李宏毅 - 6 - Logistic Regression

    Logistic Regression 逻辑回归 逻辑回归与线性回归有很多相似的地方.后面会做对比,先将逻辑回归函数可视化一下. 与其所对应的损失函数如下,并将求max转换为min,并转换为求指数形式 ...

  8. OCR场景文本识别:文字检测+文字识别

    一. 应用背景 OCR(Optical Character Recognition)文字识别技术的应用领域主要包括:证件识别.车牌识别.智慧医疗.pdf文档转换为Word.拍照识别.截图识别.网络图片 ...

  9. 一元线性回归模型与最小二乘法及其C++实现

    原文:http://blog.csdn.net/qll125596718/article/details/8248249 监督学习中,如果预测的变量是离散的,我们称其为分类(如决策树,支持向量机等), ...

随机推荐

  1. 开发中,IDEA常用的快捷键

    Settings文件: Ctrl+Alt+S 搜索文件:Ctrl+Shift+N 全文搜索: Ctrl+Shift+F 全文替换: Ctrl+Shift+R 搜索内容: Ctrl+F 内容替换: Ct ...

  2. centos7重置root密码

    修改centos7的root密码重置非常简单,只需要登录系统,执行passwd按enter即可, 但是如果忘记root密码,该如何修改呢 1, 重启系统之后,系统启动进入欢迎界面,加载内核步骤时,选中 ...

  3. NodeJS脚本启动工具总结

    1. 使用npm 2. 使用pm2 安装: npm install pm2 -g 启动: NODE_ENV=test pm2 start newsCrawler.js 停止: pm2 stop new ...

  4. Python——Pyqt5(界面)——基本设置

    一.Pycharm外加设置 设置扩展工具 1.Qt Design(图形界面) Program:工程目录\venv\Lib\site-packages\pyqt5-tools\designer.exe  ...

  5. synchronized和lock有什么区别?

    一.原始构成 synchronized是关键字属于JVM层面,monitorenter(底层是通过monitor对象来完成,其实wait/notify等方法也依赖monitor对象只有在同步代码块和同 ...

  6. CountDownLatch类实现同步

    首先我们看一个普通的多线程代码 class MyThread implements Runnable { @Override public void run() { System.out.printl ...

  7. mysql left join 优化

      参考 https://www.cnblogs.com/zedosu/p/6555981.html

  8. 【XSY3320】string AC自动机 哈希 点分治

    题目大意 给一棵树,每条边上有一个字符,求有多少对 \((x,y)(x<y)\),满足 \(x\) 到 \(y\) 路径上的边上的字符按顺序组成的字符串为回文串. \(1\leq n\leq 5 ...

  9. 【LUOGU???】WD与地图 整体二分 线段树合并

    题目大意 有一个简单有向图.每个点有点权. 有三种操作: 修改点权 删除一条边 询问和某个点在同一个强连通分量中的点的前 \(k\) 大点权和. \(n\leq 100000,m,q\leq 2000 ...

  10. v-for 在 VSCode 中出现 Elements in iteration expect to have 'v-bind:key' directives.

    在 VSCode 中编辑代码时,在有 v-for 的语句下面有一条红色波浪线,鼠标放上去有提示 Elements in iteration expect to have 'v-bind:key' di ...