Mathematica/偏导数/最小二乘法(线性回归)

a = 2/123
a                          //输出的还是2/123
N[a]                       //输出的就是小数点
N[a,2]                     //保留三位小数点
Clear[a]
Solve[2== x^2-7 , x]       //结果-3 和 3
Plot[Sin[x], {x, 0, pi}]
Integrate[1/(1 - x^3), x]
Log[1] = 0
积分中的积分d 一定适用esc dd 打出来的 或者\[DifferentialD]. 求导：f = 1/(1+x)D[f,x]           也就是f'(x)D[f, {x, 2}]     二阶导
ScientificForm[0.0000125] = 1.25 * (10^-5)  //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=0 y[0]=1

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, 0, 2}, {v, 0, 2 Pi}    ]
ParametricPlot[Evaluate[Table[{z Cos[v], z Sin[v]}, {z, 0, 2, 1/3}]], {v, 0, 2 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

转载于:https://www.cnblogs.com/gearslogy/p/9528969.html

Mathematica/偏导数/最小二乘法(线性回归)相关推荐

【Mathematica】最小二乘法
版本:12.1 题目一种合金在某种添加剂的不同浓度下进行实验,得到如下数据: 已知函数 y y y 与 x x x 的关系适合模型: y = a + b x + c x 2 y=a+bx+cx^2 ...
Python实现最小二乘法线性回归
研一第一学期刚学习完数值分析,赶上期末复习,复习的时候正好复习到最小二乘法,把离散的点拟合为线性函数,就顺便用python实现一下.正好准备学习机器学习算法这方面,就当是预热吧,我知道机器学习的算法肯 ...
【python机器学习】普通最小二乘法多元线性回归
普通最小二乘法线性回归若数据集DDD由nnn个属性描述,则线性回归的假设函数为: hw,b(x)=∑i=1nwixi+b=wTx+bh_{\boldsymbol{w}, b}(\boldsymbol ...
[机器学习-原理篇]学习之线性回归、岭回归、Lasso回归
线性回归.岭回归.Lasso回归前言一,线性回归--最小二乘二,Lasso回归三,岭回归四, Lasso回归和岭回归的同和异五, 为什么 lasso 更容易使部分权重变为 0 而 ridg ...
C# 最小二乘法拟合曲线成直线
备忘效果拟合前拟合后传入X轴和Y轴的数据,得到新的Y轴数据.将X值数据和拟合后的Y轴数据绑带即可. /// <summary>/// 最小二乘法/线性回归,得到新的点/// < ...
多变量线性回归（机器学习笔记三）
文章目录前言一.准备二.代价函数和偏导数三.特征归一化四.梯度下降五.Matlab代码实现六.结语前言上一章通过年龄-身高的例子介绍了单变量线性回归算法的实现过程.通过使用向量表示算 ...
不忘初心，方得始终——线性回归的python实现
hello,大家好,我是此木,很高兴能在2020年的第一天和大家分享点东西,新的一年,新的开始,希望大家能在接下来的一年里有所成长,有所收获. 导读:在当前机器学习.深度学习.强化学习.元学习等盛行的 ...
09 线性回归及矩阵运算
09 线性回归及矩阵运算线性回归定义:通过一个或者多个自变量与因变量之间进行建模的回归分析.其中可以为一个或者多个自变量之间的线性组合. 一元线性回归:涉及到的变量只有一个多元线性回归:变量两个 ...
python求不确定度_基于数据不确定度计算线性回归斜率的不确定度
如何基于数据不确定性(可能在Excel / Mathematica中)计算线性回归斜率的不确定性? 示例: 让我们有数据点(0,0),(1,2),(2,4),(3,6),(4,8),...(8.16) ...

Mathematica/偏导数/最小二乘法(线性回归)

Mathematica/偏导数/最小二乘法(线性回归)相关推荐

最新文章

热门文章