Mathematica/偏导数/最小二乘法(线性回归)
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
- 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 ...
- 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 ...
- 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 ...
- 【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 ...
- 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 ...
- 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 ...
- 【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 ...
- 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 ...
- 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
- 关于Net core 的https 设置小知识
今天我是遇到了一个蛋疼的问题, 就是https 协议, 在创建项目的时候, 我勾选了for https (如下图), 然后我就在startup.cs 和Kestrel 各种设置还是全部走https ...
- 腾讯通信云服务端使用心得,腾讯云IM
腾讯通信云服务端使用心得 1.腾讯通信服务入口并创建应用 方便使用保留url地址 : https://cloud.tencent.com/product/im 注册账号腾讯云账号->通过审核 ...
- C#之事件与eventArgs
static void Main(string[] args) { MyText myText = new MyText(); myTe ...
- Appuim的安装步骤
1.下载Appium Desktop并安装 下载地址:https://github.com/appium/appium-desktop/releases 我下载的版本为:appium-desktop- ...
- git常用命令值stash
git stash(git储藏)可用于以下情形: 发现有一个类是多余的,想删掉它又担心以后需要查看它的代码,想保存它但又不想增加一个脏的提交.这时就可以考虑git stash. 使用git的时候,我们 ...
- g.DrawImage图片合成在本机可以,在服务器一直报内存不够
g.DrawImage图片合成在本机可以,在服务器一直报内存不够,发现是这个要设为false
- Git-01-上传项目到github
function fun1(){ Git上传项目到github Folder-->Git bash here Execute command: --git clone 仓库地址 多出一个 ...
- torch.view()详解及-1参数是什么意思
经常可以看到调用torch.view(-1,28*28)之类的调用,那么这里的-1是什么意思呢,经过查看文档view()得到了一下结果: view()返回的数据和传入的tensor一样,只是形状不同 ...
- Multi-View 3D Reconstruction with Geometry and Shading——Part-2
From PhDTheses Multi-View 3D Reconstruction with Geometry and Shading 我们的主要目标是只利用图像中的信息而没有额外的限制或假设来得 ...
- MySQL 水平拆分与垂直拆分详解
前言:说到优化mysql,总会有这么个回答:水平拆分,垂直拆分,那么我们就来说说什么是水平拆分,垂直拆分. 一.垂直拆分 说明:一个数据库由很多表的构成,每个表对应着不同的业务,垂直切分是指按照业务将 ...