在机器学习的微积分的第五部分中,我们讨论了近似函数,并研究了如何将函数描述为幂级数的概念。我们特别详细地讨论了麦克劳林级数(Maclaurin series)。MacLaurin级数告诉我们,如果我们知道点0处的某个函数的所有内容,那么我们可以在任何地方重建该函数。在“机器学习中的微积分-泰勒级数”部分中,我们将看到泰勒级数如何应用相同的逻辑,但将点0视为没有特殊之处。我们将了解泰勒级数的这一概念在哪些情况下对我们有帮助,以及如何提供帮助。
泰勒级数:
正如我们上面讨论的,如果我们在任何时候都了解某个函数的所有内容,那么我们可以在任何地方重建该函数。让我们看一下我们在上一部分中讨论的相同函数及其四个近似函数。另外,根据麦克劳林级数以紧凑的汇总形式重写它们。利用这一点,我们可以精确地建立任何程度的近似函数。
泰勒级数试图围绕任意函数p而不是0构建近似函数。在这一点上,我们将尝试构建前四个近似函数。这时将需要函数值。
对于零阶,这只是点p为p的水平直线。
对于一阶,我们将尝试在点p处形成曲线的切线。我们正在处理如下所示的函数。
曲线上的点p在f(p)处,所以点p的坐标是p和f(p)它有梯度和y轴截距。梯度和点p的高度相同,现在,我们算出第一个近似。这条直线可以用下面的方程来描述。
这里m是直线的斜率。同样,我们知道函数的梯度是f '(p)。
现在我们需要知道c点。我们知道点p的x和y坐标。因此,让我们用上面的方程式替换它们,然后将其重新排列为c点。