Day3_Homework

将向量下标为偶数的分量 (x2, x4, …) 累加, 写出相应表达式.

:Java代码如下:

double sum = 0;
for (int i = 1; i <= n; i ++) 
    if(x % 2 == 0)
        sum += x[i];



各出一道累加、累乘、积分表达式的习题, 并给出标准答案.


累加: ∑ n = 1 5 n = 15 \sum\limits_{n=1}^5n=15 n=15n=15

int sum = 0;
for (int i = 1; i <= 5; i ++) 
    sum += i;

累乘: ∏ i = 1 5 i = 120 \prod\limits_{i = 1}^{5} i=120 i=15i=120

int product = 1;
for (int i = 1; i <= 5; i ++) 
    product *= i;

定积分 : ∫ 0 1 ( x 2 + 1 ) d x = 4 / 3 \int_{0}^{1} (x^2 + 1 )\mathrm{d}x=4/3 01(x2+1)dx=4/3




你使用过三重累加吗? 描述一下其应用.

:使用过。在Matlab编写函数式子的时候,用了三个for循环实现累加,但是耗时较长,就没有经常使用。




给一个常用的定积分, 将手算结果与程序结果对比.

:如定积分: ∫ 0 1 ( x 2 + 1 ) d x = 4 / 3 \int_{0}^{1} (x^2 + 1 )\mathrm{d}x=4/3 01(x2+1)dx=4/3
程序结果:

from scipy import integrate

def func(x):
    print("x=", x)       
    return x**2 + 1

Area, err = integrate.quad(func, 0, 1)
print("Integral area:", Area)

x= 0.8904088632932085
x= 0.21862143266569767
x= 0.7813785673343023
x= 0.35280356864926987
x= 0.6471964313507301
Integral area: 1.3333333333333333



自己写一个小例子 (n = 3 , m = 1) 来验证最小二乘法.


x i = [ 2 , 2 , 4 ] , y i = [ 4 , 5 , 6 ] T . x_i=[2,2,4] ,y_i=[4,5,6]^\mathrm{T}. xi=[2,2,4],yi=[4,5,6]T.
X = [ 1 2 1 2 1 4 ] , Y = [ 4 5 6 ] \mathbf{X}=\left[\begin{matrix} 1&2\\1&2\\1&4 \end{matrix}\right],\mathbf{Y}=\left[\begin{matrix} 4&5&6 \end{matrix}\right] X=111224,Y=[456]
w = ( X T X ) − 1 X T Y \mathbf{w}=(\mathbf{X}^\mathrm{T}\mathbf{X})^{-1}\mathbf{X}^\mathrm{T}\mathbf{Y} w=(XTX)1XTY
= [ 3 − 1 − 1 3 / 8 ] [ 1 1 1 2 2 4 ] [ 4 5 6 ] =\left[\begin{matrix} 3&-1\\-1&3/8 \end{matrix}\right]\left[\begin{matrix} 1&1&1\\2&2&4 \end{matrix}\right]\left[\begin{matrix} 4\\5\\6 \end{matrix}\right] =[3113/8][121214]456
= [ 3 − 1 / 4 ] =\left[\begin{matrix} 3\\-1/4\\\end{matrix}\right] =[31/4]
y i = 3 x i − 1 / 4 y_i = 3x_i-1/4 yi=3xi1/4




自己推导一遍, 并描述这个方法的特点 (不少于 5 条).

逻辑斯蒂回归不是线性回归,逻辑斯蒂回归处理分类问题。
该方法的优点:
1.使用 sigmoid 函数将距离转成 (我们以为的) 概率
2.优化目标使用的累乘,使得概率越大越好
3.相乘计算困难, 使用 l o g \mathcal{log} log处理, 不改变单调性,利用 l o g \mathcal{log} log的计算优势求解
4.对 w \mathcal{w} w进行求偏导
5.令该偏导为 0, 无法获得解析式, 采用梯度下降求最值

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值