多项式算法7:多项式三角函数

首先证明一下欧拉公式
e i θ = cos ⁡ θ + i sin ⁡ θ e^{i\theta}=\cos\theta+i\sin\theta eiθ=cosθ+isinθ

由麦克劳林展开式,我们有
e x = ∑ n = 0 ∞ x n n ! e^{x}=\sum_{n=0}^{\infty}\frac{x^n}{n!} ex=n=0n!xn

指数乘上虚数单位 i i i
e i x = ∑ n = 0 ∞ ( i x ) n n ! = ∑ n = 0 ∞ ( i ) n x n n ! e^{ix}=\sum_{n=0}^{\infty}\frac{(ix)^n}{n!}=\sum_{n=0}^{\infty}(i)^n\frac{x^n}{n!} eix=n=0n!(ix)n=n=0(i)nn!xn

我们把与 i i i有关的放一边,与 i i i无关的放一边
e i x = ∑ n = 0 ∞ ( − 1 ) n x 2 n ( 2 n ) ! + i ∑ n = 0 ∞ ( − 1 ) n x 2 n + 1 ( 2 n + 1 ) ! e^{ix}=\sum_{n=0}^{\infty}\frac{(-1)^nx^{2n}}{(2n)!}+i\sum_{n=0}^{\infty}\frac{(-1)^nx^{2n+1}}{(2n+1)!} eix=n=0(2n)!(1)nx

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
在Python中进行非线性回归时,可以利用三角函数来建模数据。可以使用NumPy库中的sin()、cos()、tan()等函数来创建三角函数的特征。具体步骤如下: 1. 导入所需的库:首先,需要导入NumPy库来进行数值计算和创建三角函数特征。可以使用以下代码导入库: ``` import numpy as np ``` 2. 准备数据:准备包含自变量和因变量的数据集。 3. 创建三角函数特征:使用NumPy库的三角函数函数(如sin()、cos()、tan())来创建三角函数特征。可以根据需要选择适当的三角函数。 4. 构建模型:使用回归算法(如线性回归、多项式回归)来构建非线性回归模型。可以使用scikit-learn库中的线性回归模型或多项式回归模型来实现。 ``` from sklearn.linear_model import LinearRegression ``` 或 ``` from sklearn.preprocessing import PolynomialFeatures ``` 5. 训练模型:将数据集拟合到模型中,以获取最佳的参数。 6. 预测:使用训练好的模型来进行预测未知数据的类别。 请注意,以上只是非线性回归中使用三角函数的一种方法,具体的实现取决于数据集的特征和需求。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *3* [机器学习笔记-线性回归与非线性回归](https://blog.csdn.net/m0_56615545/article/details/128054414)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] - *2* [[数值计算-15]:函数近似值的线性与非线性拟合的原理与Python代码示例](https://blog.csdn.net/HiWangWenBing/article/details/119973082)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]

“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