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. zoj 3605

    链接 [https://vjudge.net/contest/293343#problem/F] 题意 就是有n碗,有一个宝石,知道开始宝石在那个碗下面 进行M次交换,但知道其中的k次,问你最可能在那 ...

  2. 服务端返回的json数据,导致前端报错的原因及解决方法

    前言 最近在开发的过程中遇到了一个问题:后端传过来的json字符串不是标准的json字符串 导致报错的原因 后端传过来的json字符串中包含一些不标准的字符或错误的引号嵌套 1)\n 2) \r 3) ...

  3. stm32矩阵键盘扫描数据通过USB发送

                   Keyboard.c #include "keyboard.h"#include "my_usb.h"#include " ...

  4. windows常用快捷键和指令

    快捷键: Ctrl+鼠标滚轮:更改图标大小(桌面).缩放(开始屏幕) Ctrl+A:选择所有 Ctrl+C:复制 Ctrl+E:选择搜索框(资源管理器) Ctrl+N:新窗口(资源管理器) Ctrl+ ...

  5. Python基础:搭建开发环境(1)

    1.Python语言简介 2.Python环境 Python环境产品存在多个. 2.1 CPython CPython是Python官方提供的.一般情况下提到的Python就是指CPython,CPy ...

  6. java的clone()方法

    什么是"clone"? 在实际编程过程中,我们常常要遇到这种情况:有一个对象A,在某一时刻A中已经包含了一些有效值,此时可能 会需要一个和A完全相同新对象B,并且此后对B任何改动都 ...

  7. PWA 渐进式Web应用程序 - 解释

    想象一下,如果一个网站上所有的功能都能够作为一个移动应用程序为用户所用——任何设备上都可以使用.可接收所有的通知.离线模式可用,为了实现这个愿景,2015年,谷歌创造了渐进式Web应用程序(PWA). ...

  8. P2447 [SDOI2010]外星千足虫 (高斯消元)

    题目 P2447 [SDOI2010]外星千足虫 解析 sol写到自闭,用文字描述描述了半个小时没描述出来,果然还是要好好学语文 用高斯消元求解异或方程组. 因为 \(奇数\bigoplus奇数=偶数 ...

  9. beego框架开发投票网站(1) beego基础之运行逻辑

    本文档需结合beego官方文档食用 博主也仅仅是边学边记录,不保证内容的正确性,请当做通俗读物来看待 首先 beego是一个基于go语言的框架 其次 beego是一个mvc框架 框架可以理解为对底层又 ...

  10. web技术应用分享

    https://www.helloweba.com/nav.html      Helloweba为广大前端开发者收录了常用实用的前端资源工具,方便大家学习和查阅. https://www.hello ...