常用数学符号
数学符号 | markdown中的表述 | 描述 |
---|---|---|
∑ \sum ∑ | $$\sum$$ | 求和 |
∑ i = 0 n \sum_{i=0}^n i=0∑n | $$\sum_{i=0}^n$$ | 求连续和 |
∏ \prod ∏ | $$\prod$$ | 求积 |
∏ i = 1 n \prod_{i=1}^n i=1∏n | $$\prod_{i=1}^n$$ | 求连续积 |
∇ \nabla ∇ | $$\nabla$$ | 梯度 |
y ^ \hat{y} y^ | $$\hat{y}$$ | 预测值 |
X i ( a ) X^{(a)}_i Xi(a) | $$X^{(a)}_i$$ | 样本a 的第 i 个特征 |
x s c a l e = x − x m i n x m a x − x m i n x_{scale}=\frac{x - x_{min}}{x_{max} - x_{min}} xscale=xmax−xminx−xmin | $$x_{scale}=\frac{x - x_{min}}{x_{max} - x_{min}}$$ | 最值归一化 |
∑ i = 0 n ( X i ( a ) − X i ( b ) ) 2 \sqrt{\sum_{i=0}^n(X^{(a)}_i - X^{(b)}_i)^2} i=0∑n(Xi(a)−Xi(b))2 | $$\sqrt{\sum_{i=0}^n(X^{(a)}_i - X^{(b)}_i)^2}$$ | 欧氏距离 |
α \alpha α | $$\alpha$$ | 搜狗输入法:alpha-α |
β \beta β | $$\beta$$ | 搜狗输入法:beta-β |
γ \gamma γ | $$\gamma$$ | 搜狗输入法:gamma-γ |
δ \delta δ | $$\delta$$ | 搜狗输入法:delta-δ |
ε \varepsilon ε | $$\varepsilon$$ | |
η \eta η | $$\eta$$ | 搜狗输入法:eta-η |
θ \theta θ | $$\theta$$ | 搜狗输入法:theta-θ |
μ \mu μ | $$\mu$$ | 搜狗输入法:miu-μ |
X ‾ \overline{X} X | $$\overline{a}$$ | 均值 |
矩阵的表示
X b = ( 1 X 1 ( 1 ) ⋯ X n ( 1 ) 1 X 1 ( 2 ) ⋯ X 1 ( 2 ) ⋮ ⋮ ⋱ ⋮ 1 X 1 ( m ) ⋯ X 1 ( m ) ) X_b= \left ( \begin{matrix} 1 & X_1^{(1)} & \cdots & X_n^{(1)} \\ 1 & X_1^{(2)} & \cdots & X_1^{(2)} \\ \vdots & \vdots & \ddots & \vdots \\ 1 & X_1^{(m)} & \cdots & X_1^{(m)} \\ \end{matrix} \right) Xb=⎝⎜⎜⎜⎜⎛11⋮1X1(1)X1(2)⋮X1(m)⋯⋯⋱⋯Xn(1)X1(2)⋮X1(m)⎠⎟⎟⎟⎟⎞
$$
X_b=
\left (
\begin{matrix}
1 & X_1^{(1)} & \cdots & X_n^{(1)} \\
1 & X_1^{(2)} & \cdots & X_1^{(2)} \\
\vdots & \vdots & \ddots & \vdots \\
1 & X_1^{(m)} & \cdots & X_1^{(m)} \\
\end{matrix}
\right)
$$