机器学习---数学基础(一、微积分)
文章目录
- 1、极限
- 1.1 无穷大之比较
- 1.1.1 求证 limx→∞na1a2n=0{\lim \limits_{x \to \infty}} \frac{n^{a_1}}{{a_2}^n} = 0x→∞lima2nna1=0
- 1.1.2 求证 an<n!其中a>1a^n <n! \quad 其中 a > 1an<n!其中a>1
- 1.2 无穷小之比较
- 1.2.1 求证 1n\frac{1}{n}n1 发散
- 1.2.2 求证 1na\frac{1}{n^a}na1 收敛, a > 1
- 1.3 极限的定义
- 1.4 极限的运算
- 1.4.1 极限的四则运算
- 1.4.2 极限的复合运算
- 1.4.3 两个重要极限
- 1.4.4 夹逼定理
- 1.5 无穷小阶数
- 1.5.1 等价无穷小代还求极限
- 2、微分与泰勒级数
- 2.1 微分
- 2.1.1 导数
- 2.1.2 求导法则
- 2.1.3 反函数求导
- 2.1.4 复合函数的导数
- 2.2 泰勒级数
- 2.2.1 罗尔定理
- 2.2.1 微分中值定理和柯西中值定理
- 2.2.3 洛必达法则
- 2.2.4 泰勒展开的证明
- 2.3 偏导数
- 2.3.1 链式求导法则
- 2.3.2 梯度算符、拉氏算符
- 3、积分与微积分基本定理
- 3.0 积分计算方式→\rightarrow→变量替换
- 3.1 积分计算方式→\rightarrow→分部积分
- 4、牛顿法
- 1)注意事项(局限性)
- 2)具体做法
- 5、 正态分布
- 5.1 标准的正态分布
- 5.2 大数定律+中心极限定理
- 5.3 误差函数
- 5.4 二维正态分布
- 5.4.2 协方差
- 5.4.3 相关系数 ρ\rhoρ
- 微积分的核心思想:逼近
1、极限
- 引理1:单调有界序列存在极限。
1.1 无穷大之比较
lnn<n1a1<n<na2<a3n<n!<nn,其中a1,a2,a3都是大于1的值。\ln n < n^{\frac{1}{a_1}} < n < n^{a_2} < {a_3}^n < n! < n^n, \qquad 其中 a_1,a_2,a_3 都是大于 1 的值。lnn<na11<n<na2<a3n<n!<nn,其中a1,a2,a3都是大于1的值。
1.1.1 求证 limx→∞na1a2n=0{\lim \limits_{x \to \infty}} \frac{n^{a_1}}{{a_2}^n} = 0x→∞lima2nna1=0
- 证明:用二项式展开进行计算。
- 令 h=a2−1h = a_2 -1h=a2−1
- 则:a2n=(1+h)n=1+n∗h+n(n−1)2!∗h+n(n−1)(n−2)3!∗h2+...a_2^n = (1+h)^n \\ =1 + n*h + \frac{n(n-1)}{2!}*h + \frac{n(n-1)(n-2)}{3!}*h^2 + ...a2n=(1+h)n=1+n∗h+2!n(n−1)∗h+3!n(n−1)(n−2)∗h2+...
- 令 k=[a1]+1k = [a_1] + 1k=[a1]+1 ; (先对a1a_1a1取整再加 1)
- 则,在a2n{a_2}^na2n中,一定存在 n(n−1)(n−2)...(n−(k−1))k!\frac{n(n-1)(n-2)...(n-(k-1))}{k!}k!n(n−1)(n−2)...(n−(k−1))
- 最后经过同比例放缩,得到
0<na1a2n≤nkn(n−1)(n−2)...(n−(k−1))k!hk0<\frac{n^{a_1}}{{a_2}^n} \leq \frac{n^k}{\frac{n(n-1)(n-2)...(n-(k-1))}{k!} h^{k}}0<a2nna1≤k!n(n−1)(n−2)...(n−(k−1))hknk
1.1.2 求证 an<n!其中a>1a^n <n! \quad 其中 a > 1an<n!其中a>1
- 证明: 直接相比,然后进行放缩。
- 0<ann!≤Can→00 < \frac{a^n}{n!} \leq C\frac{a}{n} \to 00<n!an≤Cna→0
1.2 无穷小之比较
- 与无穷大的比较正好相反
- 1nn<1n!<1a3n<1na2<1n<1n1a1<1lnn\frac{1}{n^n} < \frac{1}{n!} < \frac{1}{{a_3}^n} < \frac{1}{n^{a_2}} <\frac{1}{n} < \frac{1}{n^{\frac{1}{a_1}}} <\frac{1}{\ln n}nn1<n!1<a3n1<na21<n1<na111<lnn1
1.2.1 求证 1n\frac{1}{n}n1 发散
1⏟≥12+12⏟≥12+13+14⏟≥12+15+16+17+18⏟≥12\underbrace{\mathop{1}}_{\geq \frac{1}{2}} + \underbrace{\mathop{\frac{1}{2}}}_{\geq \frac{1}{2}} + \underbrace{\mathop{\frac{1}{3} + \frac{1}{4}}}_{\geq \frac{1}{2}} + \underbrace{\mathop{\frac{1}{5} + \frac{1}{6} + \frac{1}{7} + \frac{1}{8}}}_{\geq \frac{1}{2}} ≥211+≥2121+≥2131+41+≥2151+61+71+81
- 可以看成是无数了 ≥12\geq \frac{1}{2}≥21 的数进行叠加
- 所以是发散的。
1.2.2 求证 1na\frac{1}{n^a}na1 收敛, a > 1
11n⏟+12n+13n⏟+14n+15n16n+17n⏟+...\underbrace{\mathop{\frac{1}{1^n}}} + \underbrace{\mathop{\frac{1}{2^n} + \frac{1}{3^n}}} + \underbrace{\mathop{\frac{1}{4^n} + \frac{1}{5^n}\frac{1}{6^n} + \frac{1}{7^n}}}+...1n1+2n1+3n1+4n1+5n16n1+7n1+...
- 1(2n)a+...+1(2n+1−1)a<2n(2n)a\frac{1}{(2^n)^a} +...+\frac{1}{(2^{n+1} -1)^a} < \frac{2^n}{(2^n)^a}(2n)a1+...+(2n+1−1)a1<(2n)a2n
- 2n(2n)a=1(2n)a−1=12a−1n\frac{2^n}{(2^n)^a} = \frac{1}{(2^n)^{a-1}} = {\frac{1}{2^{a-1}}}^n(2n)a2n=(2n)a−11=2a−11n
- 因为 a>1,所以,令,12a−1=w,w<1\frac{1}{2^{a-1}}=w, \ \ w<12a−11=w, w<1
- 所以,原式<wn原式 < w^n原式<wn
- ∑wn=11−w\sum w^n = \frac{1}{1-w}∑wn=1−w1
- 所以,上式收敛。
补充知识:
等比数列的求和公式为:a1(1−qn)1−q,q不等于1\frac{a_1(1-q^n)}{1-q},\quad q不等于11−qa1(1−qn),q不等于1
1.3 极限的定义
- 极限定义的记忆方式:想要任意近,就要足够近。
{对于任意的正数ϵ,若使得∣f(x)−L∣<ϵ;则存在δ,使得∣x−x0∣<δ\begin{cases} 对于任意的正数 \epsilon, \\ 若使得 |f(x) - L| < \epsilon; \\ 则存在\delta,使得|x-x_0| < \delta \end{cases} ⎩⎪⎨⎪⎧对于任意的正数ϵ,若使得∣f(x)−L∣<ϵ;则存在δ,使得∣x−x0∣<δ
- 极限的数学符号:
1.4 极限的运算
1.4.1 极限的四则运算
- 加法
limx→x0f(x)=L1\lim \limits_{x \to x_0} f(x) = L_1x→x0limf(x)=L1; limx→x0g(x)=L2\lim \limits_{x \to x_0} g(x) = L_2x→x0limg(x)=L2
则存在,limx→x0f(x)+g(x)=L1+L2\lim \limits_{x \to x_0} f(x)+g(x) = L_1 + L_2x→x0limf(x)+g(x)=L1+L2
1.4.2 极限的复合运算
limx→x0f(x)=L1\lim \limits_{x \to x_0} f(x) = L_1x→x0limf(x)=L1; limx→L1g(x)=L2\lim \limits_{x \to L_1} g(x) = L_2x→L1limg(x)=L2
则存在,limx→x0g(f(x))=L2\lim \limits_{x \to x_0} g(f(x)) = L_2x→x0limg(f(x))=L2
1.4.3 两个重要极限
limx→∞(1+1n)n=e\lim \limits_{x \to \infty} (1 + \frac{1}{n})^n = ex→∞lim(1+n1)n=e
limx→0sinxx=1→与正弦有关的函数会用到\lim_{x \to 0 }\frac{sinx}{x} = 1 \rightarrow 与正弦有关的函数会用到x→0limxsinx=1→与正弦有关的函数会用到
- (1) 证明: (1+1n)n(1 + \frac{1}{n})^n(1+n1)n 有界
- 二项展开
- 1⏟≤1+n∗1n⏟≤1+n(n−1)2!1n2+n(n−1)(n−2)3!1n3+n(n−1)(n−2)(n−3)4!1n4+...⏟≤1\underbrace{1}_{\leq 1}+\underbrace{n*\frac{1}{n}}_{\leq 1} + \underbrace{\frac{n(n-1)}{2!}\frac{1}{n^2} + \frac{n(n-1)(n-2)}{3!}\frac{1}{n^3} + \frac{n(n-1)(n-2)(n-3)}{4!}\frac{1}{n^4} + ...}_{\leq 1}≤11+≤1n∗n1+≤12!n(n−1)n21+3!n(n−1)(n−2)n31+4!n(n−1)(n−2)(n−3)n41+...
- 所以 (1+1n)n≤3(1 + \frac{1}{n})^n \leq 3(1+n1)n≤3
- (1+1n)n=1+n∗1n+n(n−1)2!1n2+n(n−1)(n−2)3!1n3+n(n−1)(n−2)(n−3)4!1n4+...≤1+1+11∗2+12∗3+13∗4+...=1+1+1−12+12−13+13−14+...=1+1+1−1n≤3(1 + \frac{1}{n})^n ={1}+{n*\frac{1}{n}} + {\frac{n(n-1)}{2!}\frac{1}{n^2} + \frac{n(n-1)(n-2)}{3!}\frac{1}{n^3} + \frac{n(n-1)(n-2)(n-3)}{4!}\frac{1}{n^4} + ...} \\ \leq 1+ 1+ \frac{1}{1*2} + \frac{1}{2*3} + \frac{1}{3*4} + ... \\ = 1+ 1 + 1 - \frac{1}{2} + \frac{1}{2} - \frac{1}{3}+ \frac{1}{3} - \frac{1}{4} +... \\ = 1+ 1 + 1 - \frac{1}{n} \leq 3(1+n1)n=1+n∗n1+2!n(n−1)n21+3!n(n−1)(n−2)n31+4!n(n−1)(n−2)(n−3)n41+...≤1+1+1∗21+2∗31+3∗41+...=1+1+1−21+21−31+31−41+...=1+1+1−n1≤3
- (2) 证明: (1+1n)n(1 + \frac{1}{n})^n(1+n1)n 单调递增,即(1+1n)n<(1+1n+1)n+1(1 + \frac{1}{n})^n < (1 + \frac{1}{n+1})^{n+1}(1+n1)n<(1+n+11)n+1
- 也是用二项展开来证明,和上式一样。
1.4.4 夹逼定理
limx→x0f(x)=L\lim \limits_{x \to x_0} f(x) = Lx→x0limf(x)=L; limx→x0g(x)=L\lim \limits_{x \to x_0} g(x) = Lx→x0limg(x)=L
且在(x1,x2)(x_1,x_2)(x1,x2)内,x1<x0<x2x_1< x_0 < x_2x1<x0<x2,有f(x)≤k(x)≤g(x)→limx→x0k(x)=Lf(x) \leq k(x) \leq g(x) \rightarrow \lim \limits_{x \to x_0}k(x) = Lf(x)≤k(x)≤g(x)→x→x0limk(x)=L
1.5 无穷小阶数
- 趋近无穷小的速度越快,阶数越大
趋近··················越慢,······越小
1.5.1 等价无穷小代还求极限
2、微分与泰勒级数
2.1 微分
2.1.1 导数
- 几何定义:函数的切线。
2.1.2 求导法则
2.1.3 反函数求导
定义:
x→y=f(x),其中x为自变量,y为因变量,f′=limΔyΔx反函数可以表示为y→x=g(y),其中y为自变量,x为因变量,g′=limΔxΔyx \rightarrow y = f(x),其中x为自变量,y为因变量,f^{'} =\lim \frac{\Delta y}{\Delta x}\\ 反函数可以表示为 y \rightarrow x = g(y),其中y为自变量,x为因变量,g^{'} =\lim \frac{\Delta x}{\Delta y}x→y=f(x),其中x为自变量,y为因变量,f′=limΔxΔy反函数可以表示为y→x=g(y),其中y为自变量,x为因变量,g′=limΔyΔx
并且满足f′(x)∗g′(y)=1f^{'}(x) * g^{'}(y) = 1f′(x)∗g′(y)=1举个例子:
- 求:arcsin′xarc sin^{'}xarcsin′x
- y=arcsin(x);x=sin(y)y = arc sin(x); x = sin(y)y=arcsin(x);x=sin(y)
- y′=arcsin′(x)=1sin′(y)=1cos(arcsin(x))=11−x2y^{'} = arc sin^{'}(x)=\frac{1}{sin^{'}(y)} = \frac{1}{cos(arc sin(x))} = \frac{1}{\sqrt{1-x^2}}y′=arcsin′(x)=sin′(y)1=cos(arcsin(x))1=1−x21
- 求:arcsin′xarc sin^{'}xarcsin′x
2.1.4 复合函数的导数
定义:
g′(f(x))=g′(f(x))∗f′(x)g^{'}(f(x)) = g^{'}(f(x))*f^{'}(x)g′(f(x))=g′(f(x))∗f′(x)举个例子:
- 求 (xx)′(x^x)^{'}(xx)′
- 解析: k=elnkk = e^{lnk}k=elnk
- (xx)′=(elnxx)′=(exlnx)′(x^x)^{'}=(e^{lnx^x})^{'} = (e^{x lnx})^{'}(xx)′=(elnxx)′=(exlnx)′ 由此变成 复合函数。
- 求 (xx)′(x^x)^{'}(xx)′
2.2 泰勒级数
2.2.1 罗尔定理
- 定义
y=f(x)y=f(x)y=f(x) 在区间[a,b][a,b][a,b]内可导,且f(a)=f(b)f(a) = f(b)f(a)=f(b),则一定存在c∈(a,b)c \in(a,b)c∈(a,b) 使得f′(c)=0f^{'}(c) = 0f′(c)=0
2.2.1 微分中值定理和柯西中值定理
微分中值定理定义
y=f(x)y=f(x)y=f(x) 在区间[a,b][a,b][a,b]内可导,则一定存在c∈(a,b)c \in(a,b)c∈(a,b) 使得f′(c)=f(b)−f(a)b−af^{'}(c) = \frac{f(b) - f(a)}{b - a}f′(c)=b−af(b)−f(a)柯西中值定理定义
f(x),g(x)f(x),g(x)f(x),g(x) 在区间[a,b][a,b][a,b]内可导,且g(b)≠g(a)g(b) \neq g(a)g(b)=g(a)【即,分母不为0】,则一定存在c∈(a,b)c \in(a,b)c∈(a,b) 使得f(b)−f(a)g(b)−g(a)=f′(c)g′(c)\frac{f(b) - f(a)}{g(b) - g(a)}= \frac{f^{'}(c)}{g^{'}(c)}g(b)−g(a)f(b)−f(a)=g′(c)f′(c)
2.2.3 洛必达法则
- 用处
用于判断00;∞∞\frac{0}{0};\frac{\infty}{\infty}00;∞∞的情况
- 定义
limx→af(x)=0,limx→ag(x)=0\lim \limits_{x \to a}f(x) = 0, \lim \limits_{x \to a}g(x) = 0x→alimf(x)=0,x→alimg(x)=0,且满足f(x),g(x)在 a 点 空心邻域可导,则:limx→af(x)g(x)=limx→af′(a)g′(a)\lim_{x \to a} \frac{f(x)}{g(x)} = \lim_{x \to a} \frac{f^{'}(a)}{g^{'}(a)}x→alimg(x)f(x)=x→alimg′(a)f′(a)
2.2.4 泰勒展开的证明
带尾项的证明
f(x)=f(x0)+f′(x0)(x−x0)+f′′(x0)2!(x−x0)2+O(x−x0)2,其中x=x0+Δxf(x) = f(x_0) + f^{'}(x_0)(x - x_0) + \frac{f^{''}(x_0)}{2!}(x - x_0)^2 + O(x - x_0)^2, 其中x= x_0 + \Delta xf(x)=f(x0)+f′(x0)(x−x0)+2!f′′(x0)(x−x0)2+O(x−x0)2,其中x=x0+Δx可以直接使用洛必达法则直接证明。
exe^xex 在0点处的泰勒展开
ex=1+x+x22!+x33!+...e^x = 1+ x + \frac{x^2}{2!} + \frac{x^3}{3!}+...ex=1+x+2!x2+3!x3+...sin(x)sin(x)sin(x) 在0点处的泰勒展开
sin(x)=x−x33!+x55!−x77!+...sin(x) = x - \frac{x^3}{3!}+ \frac{x^5}{5!} - \frac{x^7}{7!} +...sin(x)=x−3!x3+5!x5−7!x7+...cos(x)cos(x)cos(x) 在0点处的泰勒展开
cos(x)=1−x22!+x44!−x66!+..cos(x) = 1 - \frac{x^2}{2!} + \frac{x^4}{4!} - \frac{x^6}{6!} +..cos(x)=1−2!x2+4!x4−6!x6+..
2.3 偏导数
∂f(a,b)∂a=limΔa→0f(a+Δa,b)−f(a,b)Δa\frac{\partial f(a,b)}{\partial a} = \lim \limits_{\Delta a \to 0}\frac{f(a+\Delta a, b) - f(a,b)}{\Delta a}∂a∂f(a,b)=Δa→0limΔaf(a+Δa,b)−f(a,b)
- 对称性
∂∂f∂a∂b=∂∂f∂b∂a\qquad \frac{\partial \frac{\partial f}{\partial a}}{\partial b} = \frac{\partial \frac{\partial f}{\partial b}}{\partial a}∂b∂∂a∂f=∂a∂∂b∂f
上式=∂2f∂a∂b\\ \qquad上式= \frac{\partial ^2f}{\partial a \partial b}上式=∂a∂b∂2f
2.3.1 链式求导法则
- 已知:f(u,v),u(x,y),v(x,y)f(u,v), u(x,y), v(x,y)f(u,v),u(x,y),v(x,y)
- 则,可以得到 ∂f∂x=∂f∂u∂u∂x+∂f∂v∂v∂x\frac{\partial f}{\partial x} = \frac{\partial f}{\partial u}\frac{\partial u}{\partial x} + \frac{\partial f}{\partial v}\frac{\partial v}{\partial x}∂x∂f=∂u∂f∂x∂u+∂v∂f∂x∂v
2.3.2 梯度算符、拉氏算符
梯度运算符
Δ⃗={∂∂x,∂∂y,∂∂z}\vec{\Delta} = \{ \frac{\partial}{\partial x}, \frac{\partial}{\partial y}, \frac{\partial}{\partial z} \}Δ={∂x∂,∂y∂,∂z∂}拉普拉斯运算符
Δ⃗Δ⃗=∂2∂2x+∂2∂2y+∂2∂2z\vec{\Delta} \vec{\Delta}= \frac{\partial ^2}{\partial ^2 x}+ \frac{\partial ^2}{\partial ^2 y}+ \frac{\partial ^2}{\partial ^2 z}ΔΔ=∂2x∂2+∂2y∂2+∂2z∂2- 重要性质:
任意坐标下,拉氏算符不变。
极坐标下拉氏运算符(x,y)→(r,θ)(∂z∂r)2+1r2(∂z∂θ)2=(∂z∂x)2+(∂z∂y)2极坐标下拉氏运算符 (x,y) \rightarrow (r, \theta)\\ (\frac{\partial z}{\partial r})^2 + \frac{1}{r^2}(\frac{\partial z}{\partial \theta})^2 = (\frac{\partial z}{\partial x})^2 + (\frac{\partial z}{\partial y})^2极坐标下拉氏运算符(x,y)→(r,θ)(∂r∂z)2+r21(∂θ∂z)2=(∂x∂z)2+(∂y∂z)2
- 重要性质:
3、积分与微积分基本定理
- 几何定义:函数与 XXX轴之间的有向面积。
- 代数定义:无穷求和。
3.0 积分计算方式→\rightarrow→变量替换
3.1 积分计算方式→\rightarrow→分部积分
定义:
已知,f(x),g(x)f(x), g(x)f(x),g(x)
则,f(x)g(x)+c=∫f(x)g′(x)dx+∫g(x)f′(x)dx=∫f(x)dg(x)+∫g(x)df(x)f(x)g(x) + c = \int f(x)g^{'}(x) dx + \int g(x)f^{'}(x) dx \\ = \int f(x)dg(x) + \int g(x)df(x)f(x)g(x)+c=∫f(x)g′(x)dx+∫g(x)f′(x)dx=∫f(x)dg(x)+∫g(x)df(x)举个例子
- ∫x2exdx=∫x2dex=x2dex−∫exdx2\int x^2 e^x dx = \int x^2 de^x = x^2 de^x -\int e^x dx^2∫x2exdx=∫x2dex=x2dex−∫exdx2
4、牛顿法
- 对于机器学习或统计算法的最后都会转换成一个优化的问题。
也就是:求某一个损失函数的极小值。
1)注意事项(局限性)
2)具体做法
- 本质是:二次逼近
5、 正态分布
5.1 标准的正态分布
∫−∞+∞e−x2dx=π\int_{-\infty}^{+\infty} e^{-x^2} dx = \sqrt{\pi}∫−∞+∞e−x2dx=π
具体计算过程如下所示:
∫−∞+∞e−x2dx∫−∞+∞e−y2dy=∫−∞+∞∫−∞+∞e−(x2+y2)dxdy=∫02π∫0+∞e−r2rdrdθ=∫02πdθ∫0+∞e−r2rdr=π\int_{-\infty}^{+\infty} e^{-x^2} dx\int_{-\infty}^{+\infty} e^{-y^2} dy =\\ \int_{-\infty}^{+\infty}\int_{-\infty}^{+\infty} e^{-(x^2 + y^2)} dxdy= \\ \int_{0}^{2\pi}\int_{0}^{+\infty} e^{-r^2} r dr d\theta = \\ \int_{0}^{2\pi} d\theta \int_{0}^{+\infty} e^{-r^2} r dr = \pi∫−∞+∞e−x2dx∫−∞+∞e−y2dy=∫−∞+∞∫−∞+∞e−(x2+y2)dxdy=∫02π∫0+∞e−r2rdrdθ=∫02πdθ∫0+∞e−r2rdr=π由上式可以得到
1π∫e−x2dx=1\frac{1}{\sqrt{\pi}} \int e^{-x^2} dx = 1π1∫e−x2dx=1进而得到 p(x)=1πe−x2;∫p(x)=1p(x) = \frac{1}{\sqrt{\pi}} e^{-x^2} ;\int p(x) = 1p(x)=π1e−x2;∫p(x)=1
两点修正:
- 期望为 μ\muμ 最高点的位置。
- 方差为 σ2\sigma ^2σ2 从峰值下落的快慢。
N(μ,σ)=12πσe−(x−μ)22σ2N(\mu, \sigma) = \frac{1}{\sqrt{2 \pi} \sigma} e^{-\frac{(x - \mu)^2}{2\sigma^2}}N(μ,σ)=2πσ1e−2σ2(x−μ)2
5.2 大数定律+中心极限定理
- 任意的概率分布作独立叠加将还原为正态分布。
5.3 误差函数
- 定义:
偏离正态分布的原点会积累多少误差 - 具体公式:
errorf(x)=2π∫0xe−t2dt=2N(0,1)−1error \ f(x) = \frac{2}{\sqrt{\pi}} \int_0^x e^{-t^2}dt = 2N(0,1) - 1error f(x)=π2∫0xe−t2dt=2N(0,1)−1 - 示意图:
5.4 二维正态分布
p(x)=1πe−x2p(x) = \frac{1}{\sqrt{\pi}} e^{-x^2}p(x)=π1e−x2
p(x,y)=p(x)p(y)若x,y相会独立=1πe−x21πe−y2p(x,y) = p(x) p(y) \quad若x,y 相会独立\\ = \frac{1}{\sqrt{\pi}} e^{-x^2}\frac{1}{\sqrt{\pi}} e^{-y^2}p(x,y)=p(x)p(y)若x,y相会独立=π1e−x2π1e−y2
x,yx,yx,y相关不独立的正态分布
p(x,y)=12πσ1σ21−ρ2exp(−12(1−ρ2)((x−μx)2σx2−2ρx−μxσxy−μyσy+(y−μy)2σy2))p(x,y) = \frac{1}{2 \pi \sigma_1 \sigma_2 \sqrt{1- \rho^2}} exp(- \frac{1}{2(1-\rho^2)}(\frac{(x - \mu_x)^2}{\sigma_x^2} - 2\rho \frac{x - \mu_x}{\sigma_x} \frac{y - \mu_y}{\sigma_y}+\frac{(y - \mu_y)^2}{\sigma_y^2}))p(x,y)=2πσ1σ21−ρ21exp(−2(1−ρ2)1(σx2(x−μx)2−2ρσxx−μxσyy−μy+σy2(y−μy)2))### 5.4.1 方差
σ2=E[(x−E(x))2]\sigma^2 = E[ (x - E(x))^2]σ2=E[(x−E(x))2]
5.4.2 协方差
cov(x,y)=E[(x−E(x))∗(y−E(y))]cov(x,y) = E[(x - E(x)) * (y - E(y))]cov(x,y)=E[(x−E(x))∗(y−E(y))]
- 为0 ,则x,yx,yx,y是相互独立的。
- 不为0,则x,yx,yx,y具有一定的相关性。
5.4.3 相关系数 ρ\rhoρ
ρx,y=cov(x,y)σ(x)σ(y)\rho_{x,y} = \frac{cov(x,y)}{\sigma (x) \sigma (y)}ρx,y=σ(x)σ(y)cov(x,y)
机器学习---数学基础(一、微积分)相关推荐
- 人工智能之数学基础篇—微积分
人工智能之数学基础篇-微积分 1 微积分的基本思想 2 微积分的解释 3 定积分 3.1 定积分的定义 3.2 定积分的几何含义 4 定积分的性质 5 牛顿一莱布尼茨公式 5.1 积分上限的函数及其导 ...
- 学会python需要数学吗_机器学习数学基础:学习线性代数,千万不要误入歧途!推荐一个正确学习路线...
机器学习数学基础:学习线性代数,千万不要误入歧途!推荐一个正确学习路线 序言 写完<机器学习深度研究:机器学习中的高等数学/微积分及Python实现>,觉得十分对不起读者,写的自己都不满意 ...
- 机器学习数学基础学习笔记
机器学习数学基础学习笔记 1. 微积分 1.1 导数 一阶导数,是函数 的切线斜率 二阶导数,是切线斜率的变化速度,即曲线的弯曲程度,也称为"曲率"(curvature) 1.2 ...
- 【本站作品】机器学习数学基础专辑
本文推荐一份机器学习数学基础专辑,在线阅读地址:(数学基础专辑), 同时文末提供下载. 机器学习,需要一定的数学基础,也需要一定的代码能力.机器学习从业者数学基础不扎实,只会用一些工具和框架,相当于某 ...
- 视频教程-机器学习数学基础--概率论与数理统计视频教学-机器学习
机器学习数学基础--概率论与数理统计视频教学 北京大学计算机技术及应用专业,从事IT行业十几年,主要从事java.Linux.手机应用开发.人工智能神经网络方面的工作.曾在中国数码集团.厦门三五互联集 ...
- 机器学习中的微积分基础
机器学习中的微积分基础 夹逼定理及重要极限 极限存在定理 导数 方向导数与梯度 凸函数 泰勒公式 机器学习中的微积分基础 夹逼定理及重要极限 当x∈U(x0,r)x\in U(x_{0},r)时,有g ...
- 机器学习数学基础--凸优化
机器学习数学基础--凸优化 1.计算几何是研究什么的? 2.计算几何理论中(或凸集中)过两点的一条直线的表达式,是如何描述的?与初中数学中那些直线方程有什么差异?有什么好处? **在计算几何理论中(或 ...
- 机器学习数学基础之Python矩阵运算
机器学习数学基础之Python矩阵运算 1.在Jupyter中写下Python矩阵基本运算学习记录 1.1 python矩阵操作 1.1.1 首先打开jupyter,引入numpy 1.1.2 创建一 ...
- 机器学习算法数学基础之——微积分篇(1)
最近在听台大老师林轩田老师的 機器學習基石 课程,意识到做好机器学习必须要把根本学好,也就是机器学习算法的基础 -- 数学.高等数学虽然在本科时已经学过了,但很多概念和定理由于太久不使用,很多细节已经 ...
最新文章
- php仿微信底部菜单,Android实现简单底部导航栏 Android仿微信滑动切换效果
- 盒模型,块状元素,行内元素
- Ping Tracert result Command explanation
- 01背包 + 概率 之 hdu 2955
- oracle递归用法
- 条理清晰的搭建SSH环境
- python 定时执行 爬虫 模块_【Python】定时执行网站爬虫
- jQuery事件3——trigger触发事件
- 【MySql】在Linux下安装MySql数据库
- 『中级篇』Docker-Stack部署投票应用(50)
- 递归优化的这三种方式你知道吗?
- vector常见用法
- WordPress Exploit Scanner插件安全绕过漏洞
- esp8266对接天猫精灵 微信控制
- java 换行符 ascii码_java换行怎么写
- matlab 给图片上画框,matlab在图片上画框
- FFMPEG之音频播放
- 普通PC通过USB转485串口 ModBus-RTU通信协议控制伺服电机
- 最详细最直观的>>>理解Pandas分组聚合和透视图标
- z怎么查看mysql的用户名_怎么查看mysql的用户名和密码
热门文章
- OUC2021软件工程“OUC拼车“校园拼车程序小组Beta阶段软件测试报告
- 中后台学习笔记 – 数据权限
- 气象学需要计算机知识吗,★什么是应用气象学专业_应用气象学的定义是什么...
- 【OC】线性二次型(LQR)性能指标最优控制(3)
- Oracle系列之八:SQL查询
- 2018年最弱密码公布
- Android——抽奖转盘的实现
- cad中怎么调出计算机,cad历史记录怎么调出
- aspnet登录界面代码_英雄联盟手游登录问题汇总
- 使用MindStudio完成ch_PP-OCRv2_det模型开发