Exercise： scipy

练习题目与相应代码如下：

分析：使用最小二乘法：求出各个列向量线性组合后与b距离最小的线性组合

#10.1
import numpy as np
import scipy.optimize as opt

#m > n
m = 20 
n = 10

A = np.random.normal( loc = 10, scale = 3 , size = (m,n) ) #normal
b = np.random.normal( size = m ) 

ans = opt.lsq_linear( A , b )
x = ans['x']

residual = b - np.dot(A,x)
print( np.linalg.norm(residual) )

求函数最小值：optimize.minisize_scalar

import numpy as np  
import scipy.optimize as opt  
  
def f(x):  
    return (-1) * (np.sin(x - 2))**2 * np.exp(-x*x)   
       
ans = opt.minimize_scalar(f)   
x = ans.x
#x is max point , and -1*f(x)is the max value
print( -1*f(x) )

通过-f(x)的最小值来求f(x)的最大值，注意最后求出-f(x)最小值之后要乘-1，变换为f(x)的最大值

使用spatial中的方法来求解。

import numpy as np  
import scipy.spatial.distance as distance  
  
n = 20
m = 10 
  
X = np.random.normal(loc = 10 , scale = 4 , size = (n, m))  
ans = distance.pdist(X)   
print(ans)  

总结：

这里涉及的scipy函数如下:

optimize 模块