数学表达式: 从恐惧到单挑 (5. 函数)

5. 函数

函数 (映射) 有定义域与值域, 且对于定义域的每个值, 在值域中有且仅有一个值与其对应.
当定义域与值域仅涉及到数 (实数、虚数或其子集时), 习惯称为函数; 其它情况, 习惯称为映射.

5.1 一元函数

$f:\mathbb{R}\to \mathbb{R}$. 源码: f(x): \mathbb{R} \to \mathbb{R}
$f(x)=x^2+1$
$x\mapsto x^2+1$. 源码: x \mapsto x^2 + 1.
分析

• 函数的定义域必须要准确申明.
• 函数的值域可以写成实际取值范围的超集. 如这里的实际取值范围为 $[1,\infty )$, 写成 $\mathbb{R}$ 也行.
• 可以多对一，但不可以一对多.
• 逆函数 $f^{-1}(x)$ 不一定存在. 如果存在, 就是一一映射了.

课堂练习
画出这个函数的曲线.
讨论
$f:\mathbb{R}\to \mathbb{R}$ 的点构成 $\mathbb{R}\times \mathbb{R}$ 的子集, 它可以看作 $\mathbb{R}$ 上的二元关系吗?
反过来肯定不行, 如 $x^2+y^2=1$ 可以看作是 $\mathbb{R}$ 上的二元关系, 但它无法写成 $y=f(x)$ 的形式.
某些领域所说的多解性, 就是指 $f(x)$ 有多种可能, 所以无法获得确定的函数. 在这里, 如果 $x=0$, 则 $y=\pm 1$. 源码: y = \pm 1.

5.2 多元函数

$f:{\mathbb{R}}^2\to \mathbb{R}$.
$f(x,y)=x^2+y^2$.
思考
这个函数长什么样子?

机器学习的回归, 就是学习函数
$f:{\mathbb{R}}^m\to \mathbb{R}$, 其中 $m$ 为条件属性数.

5.3 函数的值域

函数值不一定为单个的实数、整数, 还可以为一个向量. 从集合的角度, 笛卡尔积是集合, 可以作为值域.
$f:{\mathbb{R}}^2\to {\mathbb{R}}^2$.
如 $f(x,y)=(x+y,x-y)$.
可以将这个函数拆开, 分别定义
$f_1(x,y)=x+y$
和
$f_2(x,y)=x-y$
易知: 如果 $f_1$ 或 $f_2$ 中的任何一个不成立 (多解性), 则 $f$ 不成立.

在多标签学习中, 就是学习
f : R m → { − 1 , + 1 } L f: \mathbb{R}^m \to \{-1, +1\}^L f:Rm→{−1,+1}L.
在多标签分布学习中, 就是学习
$f:{\mathbb{R}}^m\to [0,1{]}^L$, 其中 $m$ 为条件属性数, $L$ 为标签数.

5.4 名词型数据集的拟合函数

决策树数据集
给定一组属性及其相应的取值范围, 如 outlook (${\mathbf{V}}_1$ = {sunny, rainy, overcast}), temperature (${\mathbf{V}}_2$ = {hot, mild, cool}), humidity (${\mathbf{V}}_3$ = {high, low, normal}), windy (${\mathbf{V}}_4$ = {mild, strong}), play (${\mathbf{V}}_d$ = {yes, no}), 则需要学习的函数为
$f:{\mathbf{V}}_1\times {\mathbf{V}}_2\times {\mathbf{V}}_3\times {\mathbf{V}}_4\to {\mathbf{V}}_d$.

5.5 作业

举例说明你对函数的认识.