哈喽,大家好,我是波波柯南,那么今天呢,我给大家讲一下,就是用 mylive 怎么实现快速的一个数据礼盒,利用它自带的一个这个 coffee team 这个功能 啊,那么首先呢,我们要产生一组数据,当然了这个数据如果你自己之前就有的话,你可以直接把这个数据就是弄到 macliv 里面,那之前呢,我也讲过很多,就是把数据怎么导到 maclive 里面的方法,这里呢我就不讲了。首先呢,我们生成一组数据, a 呢是等于一到一百, 然后呢 b 呢是等于,比如说我们随便写一个吧,二乘以点乘于 a, 然后的平方再加上三点乘 与 a, 嗯,我这里少写了一个点,因为他是数,对数字进行处理的话,他这个符号之前要加一个点,然后,嗯,三乘以 a 吧,然后再加上一个 rain, 嗯,乘以四。好,那我们呢就得到了 a 和 b, 我们可以简单看一下 a 和 b, a 的话就是一到一百, 比较整齐啊,比较整齐,然后 b 的话就是我们刚才生成的这个数嘛,然后的话我们可以简单画个图看一下 plut a 点 b, 好,我们可以看到呢,它是这样一个曲线,它就是一个二次函数嘛,其实 然后呢,我们就接下来就讲,我就怎么把这两个数据来进行拟合,我们打开这个软件, 然后呢我们就进入这个界面,注意啊,我的是二零一八版本的,如果就是你打开这个跟我不太不太一样的话,可以考虑就是弄一个二零一八版本的。 然后呢我们进入这个界面之后,他这里呢是定义的这个,这叫什么?数据礼盒的这个名称,然后这个我们不用管他,其实我们重点是这里我们选择这里是数据 a, 就是我们把数据 a 呢是就是 xa, 就是数据,就是我们第一个数据,然后 b 呢就是我们第二个数据,然后呢我们的目的呢是对他们进行礼盒,我们可以看到就是打开之后他自己就进行了一个礼盒,嗯,但是呢这个是他是对这个东西进行礼盒,他其实是一个线性,线性的那个函数, 他礼盒的结果呢不是很好。那这里呢我们可以看到他这个 degree 是一,就是他的那个我理解是他的接四,然后呢我们把这个调成二啊,我们可以看到他基本上很完美的把,我们刚才因为我们就是一个二次函数吗?然后我们用二次函数就可以很完美的吧,就是去给他礼盒,这里这个 poor polynomo, 我觉得他应该就是一个就是次数的,就是多次多次的礼盒,然后他这里有一个限行礼盒,限行礼盒,限行礼盒的话好像效果也还可以,他这个也是等赛 b, 然后 x 的 减十的。这个我也不知道他这个线性模型到底是怎么样,我们好像可以哦,可以改,可以改,这个可以改的,然后的话是就是我们 这车最常用的改的,那就是这个就是 cut them。 用户自定义吗?用户自定义,我们可以看到这个呢,就是他不太不太能行,我们把它删掉一个试试啊,这个是指数礼盒,我们可以看到指数礼盒的效果呢是不太好的。 这里这里这个怎么写呢?其实很简单,就是我们这里呢 y 就是我们的那个结果,然后 x 就是变量,那我们写就是除了 x 以外的其他量呢,都是参数。比如说我写一个简单的 a 点成一个 x, 那这里呢就是拟合了一个数据 a, 然后呢我可以再给他加上一个 b, 对吧?那这个时候呢,他就拟合了两个,就是就我们自定义的就是 ax 加 b, 他就是一个线性的。然后呢我们还可以定义更复杂的,比如说我给他加一个嗯平方向,那这 这个时候呢,哦,我们可以看到他其实已经拟合的比较好了,然后呢我们还可以给他加上一个长数项嘛,然后比如说这个 b b 点成一个 sorry, b 点成一个,嗯 x, 然后呢我们再给他加上一个 c, 啊,这这样的话就是我们可以看到刚才我们是不是写的二和三,然后这个 c 呢,是刚才随便写了一个 rain 的一个长竖向, 然后这是我们得到一个结果,我们可以在这里面可以看到,这里呢是我们的儿儿方,儿方呢他其实 是一,那这样的情况下,其实说明我们礼盒的效果是非常非常好情况。嗯,那我们也可以自己写一些,比如说呢我们改一下,改一下,这里呢 a 呢是可以给他写上一个 a 点成一个 x 丝的,嗯, b 次方,然后加个 c, 我们可以看到它直接拟合了一个一点九八三,其实跟我们的二次方呢是比较接近的。嗯, 那这个工具呢非常的好用,那像这里呢,它有一些就是这个呢是一纸书的,它直接就是用这个 a 的 e x b, 呃, e x 就是 e 的 b x 四方来给你拟合,然后这个是一纸书的,就是这些是它让默认的,像这个高斯物 太那个什么他,他就是用的这个函数,然后去给你进行礼盒的,然后这是他的系数,然后包括下面就是有些别的,这是秘制数的,然后 还有就是其他的,就是这些呢,我也不是很了解,但是他这里呢会有一个具体的函数,你可以根据这个函数 来进行理,结合这个函数来进行理解。然后这里呢是自动礼盒,我一般是开着这个自动礼盒的,因为自动礼盒呢,就意味着就是你一旦把这个选好,他就自动给你礼盒好了,很快, 而且就算你数据量,我之前你和的都是数据量,就是七八千的,就是也基本上几秒就完成了,很快哦,他这里还可以选个数,我可以选二哦,会加上一个长数项。 然后呢我们还可以选择啊,比如说其他的,一般呢,我是习惯于用自定义的,自定义的会更方便一些。 然后呢,就除了我们这里可以你和一个变量,我们也可以你和两个变量的,嗯,假如说呢,我现在在这里再加一个变量,再加一个 c, c 呢是等于,嗯, a 点成亿加上。 哦,不能写太复杂吧,写个简单一点吧,就比如说我就二乘以 b, 二点成 b 吧,然后加上一个三乘以, 变成一个 a 的一点五次方吧。然后呢,我们生成一个 c, 这个这个少, sorry, 少写了一个那个符号,这样应该就没问题了。好,我们可以看到 c 呢,也是一乘一百的一个数,然后呢它是由 a b 来组 组合并组合出来的,那这个时候呢,我们就可以就是来你和我们的函数,我们可以把 c 写进来, c 写进来,然后我们自定义,那这里呢它就会变成,就是啊 z 等于 f x y, 那这里的话我们就可以自己自己来进行写,比如说我就写一个胚星, a 乘以 x 的 n 次方,加上未成 x 的 b 次方法,加上一个 y, 嗯, c 乘以 b 变成 的 diss 吧。哦,这里应该是少了一点 booth。 好,我们可以看到它这里呢是我们礼盒的一个效果,那这里我们可以看到这个 r 平方值呢也基本上是一,那说明呢我们礼盒得到的结果呢,是非常好的一个结果,那这里呢就是我们对应礼盒得到的参数, a 是三, b 是一点五,然后 c 是二, d 是一, 那这是我们得到的一个结果,就是完美把我们刚才写的这个式子基本上就浮现出来了,对吧?那这就是我今天讲的那个 cover 配定一个非常简单的一个应用吧,就是大家就是如果在 做一些实验之后进行需要进行树脂礼盒的话,那这个这个呢就是一个非常方便的一个工具。然后 这里呢就是有一些设置,设置的话我一般是选默认的,这里呢有一个算法,他这个是好像是信任欲吧,然后完了之后,下面这个这个方法好像也挺常用的,但是具体有什么区别呢?我没有给他细究过,那我觉得就是如果你没有特殊的要求的话,其实用他默认的就已经可以了。 嗯,那以上呢就是本期的一个全部内容,非常感谢大家的观看,如果你觉得这个视频对你有用的话,可以给我一个一键三连,谢谢大家。
粉丝6391获赞9298

大家好,上一次我们讲了用 matalev 如何去做曲线礼盒,讲的是第一种方法,如何用代码的方式,然后今天我们介绍第二种方式,更加简便,更加直观,就是用 matalev 自带的工具箱来来实现。 首先我们还是生成和上次一样的数据,首先 x 是零到二派之间的一百个数据, 然后外是一个关于 x 的政协函数三 x, 然后这个时候打开 wifi 不自带的工具箱,取现你和工具咖啡厅 ucx, 打开之后我们会选择,打开之后我们选择 x 数据, xg 为 x, 然后外,这里选择外,然后你合的程度也就是几次效,我们这里选择和上次一样的四次, 然后左边呢是实时的这个礼盒数据的函数表八十,然后下边是礼盒的这个效果,分别是和方差以及阿方调整,阿方还有 rmse 等等。 我们对当前的结果比较满意之后,就可以点击文件的左上方,然后输出这个我们想要的图片,说你的 facebook, 然后点击保存,保存 我们想要的名字, 然后下一次我们点开的时候就直接点这个保存好的图窗名字就弹出你和好的图像了,你学会了吗?

matlab 做神经网络礼盒,只需要一步即可输入此命令,点击导入数据,选择输入特征和响应变量,点击确定选择数据分配比例和隐藏节点数。 点击训练右侧即可显示预测性能,上方可查看训练过程图残差图和回归图。最后可导出图片原代码或者网络模型,一键三连哦。

分享一个用 matalev 你和你想要的曲线的一个方法。嗯,这里用的就是网页版的麦特莱,就是这个网址,然后打开之后建立一个新的脚本,新建脚本 这里重名为 face, 然后把它打开,打开,我们第一行还是进行一个初始框, 然后建立一个 x 数据和一个 y 的数据, x 轴和 y 轴, x 轴呢?就举个例子吧,就是生成一个零到二排之间的一个项链,用 nice space 零到二肽之间, 然后一百个数据外呢是三 x 函数, 那么就就是这两组项链,我们可以先给他输成一下看一下, 然后运行一下,也就是我们这样的一个正前曲线。对这样的曲线我们应该怎样去拧拧合呢?这运用的一个命令就是 polar eggs, 你把 xy 填上,这 对我们不知道他是几次你和,所以我们先去试一试,比如说一次,一次当然是个直线,我们已经知道直线,但是我们这里呢去来试一下,演示一下, 对你你和后的这个 p 呢?他是一个,嗯,权重系数,你这个权重系数怎么去给带入到原来的 x 当中去逆和出新的外置呢?新的外置是为外衣, 那么新的值的计算就是 polar value 这个值批举证,然后还是原来的 x, 然后是新的万一 对新的外衣我们进行一个绘制后档, 万一我们在运行,所以看到红色线是礼盒的,然后这个蓝色的是原来的原来的数据,可以看到这个偏差是非常大的,所以我们改动这个,呃,这个几次项,把这个一次改成二次看一看, 现在还是没有效果,那我们继续改比说改成四次,这个次数相越高呢,他跟原来的数据吻合程度越大,但是过高呢,他会反而会过,你和就是 离原来的数据比较偏远了,所以当四次的时候,我们看你和效果还是比较好的。那我们继续,比如说,比如说到五,我们再运行一下, 这个是完全拟合的,那为了看出这个效果呢,我们这里实际演示的时候改成四吧。 ok, 那么这个我们为了区别你这里加一个 legend, 加一个加一个标题吧,第一个是实际的,然后第二个是你喝的, ok, 这里个标题就出来了,那我们为了评价我们礼盒出来的这个纸跟原来是一的纸,他的偏差常常用到两个指标,一个是阿尔方, 这个阿芳指标呢,通常是衡量预测值和真实值,它接近成 度的一个指标,这个阿方越接近一说明这个预测值是更加完美的,贴近于真实值的,越小说明是越偏离的。我们这个二二方的函数呢,我们这里给出来了,这就提前写好了, 等于一减去残差平方和,比上一个总力差平方和。然后是这样的一个公式,我们直接 用阿斯乖尔这个函数,然后第一个第一项是,嗯,真实纸,第二项是,呃,预测纸,那我们带入这个函数就 ok 了。 us there, 真实纸是外,然后预测只是外衣,那另外呢,我们还用 mse 这个函数,也就是平方差,平方差函数衡量, 这是纸和预测之间的偏差大小,第一个是外,第二个是外衣。 来运行一下,可以看到二方是零点九九零四,那么这个值越接近一说明他的预测效果是越好的, 那么这个 mse 就是军方误差,他这个值越小,说明离合效果是越好的。因此我们当前得到的这两个指标 他都比较完美,所以说明我们四次相的时候你和效果是比较完美的,那么当然这个具体问题还要具体去分析是多少次。

哈喽,大家好,我是活泼可男,那么今天呢,我来给大家讲一个就是如何用一串算法来拟合我们的数据集,就是我们一只函数,然后一只数据怎么把我们这个未知的系数给它拟合出来,当然就是, 嗯,也有很多小伙伴问到我这个问题呢,今天呢我就借这个例子呢,正好给大家讲一下啊。那么首先我们来看一下这个问题,他说有三个数据局,分别是一、二、三,那么利用这三个数据局呢?我们来求解,西塔埃阿尔法,北塔拉姆达,还有 ab 啊,他还有 ab, 那这些系数呢?我们默认是有一个取值范围的,那它被默认到负五到五这样的一个范围,然后呢我们来看一下这三个数据集,这个呢是 s 一,我们可以看到它有 x 一到 x 四十 十一共有十十个数,然后他一共是有三十七组,对吧?那第二个呢?第二个他是也是 x 一到 x 十,他是有五十七组, 那最后一个的话,他是有六组数,五组数据,对吧?那我们来看一下他三个式子呢,分别是对应的是 x 一到十, x 十 x 一一说明就是我们三个,三个三组数据的话,分别就是对应的是他三个 三个式子,那这里的所有的 y 呢?他默认都是一,就是说我所有的情况的 y 都是一,那是这样的一个情况。然后呢我们的思路是什么呢?我们的思路就是假如说我把这个 y 挪到这边, 那就是我把所有的外都挪到这边,那我们的等式是不是应该等于零的时候是我们的,就是我把所有的 x 带入,然后我算出来所有的等式都等于零的时候,是不是我们的这个礼盒就完成了,在这种情况下,是不是礼盒的程度就最好,那我们呢就可以用这样一个思路, 把我们的那个误差降到最低,也就是说啊,假如说我外减去后面这一部分,我把这个就是这些系数呢,全部带进去,假如说他是已知的啊,就是我把这个减去,他这这个误差降到最低,我把所有的误差都加起来,然后全部降到最低, 那这样这个时候是不是就意味着我们的拟合是 ok 的呢?啊?那这就是我们那个就是利用遗传算法来拟合我们的数据的一个思路 啊。然后接下来呢,我来说一下,就是怎么利用这个 matlab 它这个工具箱直接来进行操作 啊。那么首先呢,还是要写一个具体的一个函数啊,那当然这个呢是我自己之前写的一个函数,那这个呢,就是我们打开 my love 之后呢,一般都说进入这样一个界面,然后呢我们选一个空的文件夹,最好是一个空的文件夹,这样的话 从你后面不会出错。那么我们先来新建一个函数,在这里新建,然后点一个函数,好,那我们输入呢,一般是默认为是 x, 那么这个函数名呢,一般会用英文来命名英文和数字,嗯,那我们随便命名一把,我们就命名一个 h h h, 然后呢我们 返回一个 f 吧,一般我们的目标函数的值呢,都是 f, 那这样的话,嗯,这样的话,我们呢就定义了一个函数,那这个函数要做什么呢?这个函数呢,我们就是要求出来,假如说我现在输入一个 x, x 呢?是我们对应的这些 这些变量,对吧?这个 c, 它 i, 然后阿尔法、贝塔、拉姆达还有 a、 b, 包括这些所有的变量,那这样的话,我把这个 x 带入之后呢,我就可以获得当前这些变量带入之后我们所有的那个误差,然后作为我们的目标函数。那接下来我们看一下这具体是怎么做的。 那首先呢,我们把 x 就是我们认为呢这个函数呢,函数当中 x 就是我们的输入,对吧?那我们 x 输入的话,我们认为它是, 我们这里应该是,呃,九个九加五,九加五等于十四,因为一共有十四个变量,对吧?那 x 呢?你这里你就可以把它看成一个是十四个变量的数组,把 x 呢看成是一个十四十四个变量的数组,那也就是说 啊,假如说我 x 可能就是随机啊,我我简单为了说一下情况,他可能就是等于, 嗯,十四点一,他可能就是这样一个数组,我们把它打开之后呢,他包含十四个数,是这样的一个情况,那我们就可以读取他当中的十四个数,对吧?那为了方便大家理解呢,我这里是这样写的, 你看啊, my level 里面读取数据,它是,那就是我直接 x 一,就代表我读取了那个 x 当中的第一个数, 也就是说我们这里假如说这个的话,我就是读取了这个数据,对吧?那我读取了这个数据之后呢,我把它付给了阿尔法,那么阿尔法就是 x 的第一个数字,然后那么我们把贝塔等于 x 二,那贝塔就是代表第二个数,然后依次的我们把它付给 ab, 然后还有 lam 的,对吧? alam 呢?等于 x 五,那也就是说对应的就是我们这里 x 的第五个值,对吧? 再往后呢就是 c 塔了,嗯,这还拉不到第一个,两次我们把拉不了删掉一个,然后 c 塔一共有九个,对吧? c 塔一共有九个,那我们就认为他是六到第十四个,也,其实也就最后一个六到第十四个, 我们可以写一下,看一下 c 塔是不是我们想的那个九个。我们回车一下,然后我们就得到了这个 c 塔 下呢?我们可以看一下他就是九个值,对吧?对应我们的 c, 他一到九。啊。那好了,这件事做完之后呢,我们做第二件事。

之前我们讲了如何用该 data 进行图片的去点,今天我们讲一下如何用 matelab 取掉,以这张图片为例,先打开 matelab, 然后输入 grab it 这个 gui 界面就打开了。首先加载图片,把这张图片给导入进去,第一步要取两个做表轴的两个端点,首先取得 x 轴的最小值和最大值,然后取得外轴的最小值,最大值, 这个步骤跟我们之前用 gatsus 是一样的,如何去操作,只要看上面的红色的备注就可以了, 比如说按住右键不动来实现放大或者缩小,按住鼠标左键不动进行图片的拖动。 点击右上角的取点工具,在图线上进行逐个点的选取,把所有的点选取完毕之后, 按回车键结束,然后这里把这个数据给保存一下, 命名为 data, 这时候已经保存了, 我们双击 data 加载数据,这个时候我们把得到的数据给绘制一下,用不到的面临即可,这个和原始图片是一样的,那怎么样使他更加的平滑呢? 这里再把我们之前学过的曲线拟和工具背部写下。首先用 x 和 y 把这两列数据给提取出来,然后用麦还赖不自身带的曲线,你和工具箱 cx 度,打开工具箱之后,把这个 x 数据和外数据给导入一下,然后点击上面的你和指数,选择三次箱, 然后这个底线很好的给你做出来了,然后我们点击左上角的生产按法,把这个工作空间给保存下来, 方便我们待会直接用代码实现曲线的离合。看到这一生成了一个 grace face 这个函数,我们把这个函数给保存一下, 然后呢直接在命令旁 入 s 数据和外数据,就可以得到我们刚刚在工具箱里看到的那个礼盒的取件,那么这个图片呢,就实现了一个很好的平滑与礼盒。回顾一下,我们先用迈特赖不自身所带的工具提取了我们想要的图片的那个数据,再用 凡凡赖布把这个数据给绘制出来,并且加以平滑和拟格。凡凡赖布取点工具还是蛮好用,你们学会了吗?

哈喽,小伙伴们大家好,之前我们讲了如何用 wifi 烂度,用代码以及蜂蜜箱的形式拧头取现,那么我们今天来讲一下如何拧合三维的曲面,我们来看这个代码已经写好了,首先呢我们生成一列项链,我们运行一下, ok, 先生成长度为四十的项链。 由于我们待会生成的是一个曲面而不是一条曲线,所以呢我们需要把这个 x 给网格化,也就是用 mastery 的这个命令。 由于外呢和 x 一样的,所以 x 的外值是这里是相等的,我们运行一下,然后内的值我这里是随机的函数,当然你可以还剩,其他的都可以,这里有挣钱余钱以及 log 对手函数, 这个比较复杂,我们首先运行一下它是关于 x 和 y 的个函数。然后上层之后呢,我们这里需要用 shape 的命令对这个生成后的胃以及原来的 xy 给他重新调整一下他的维度,调整到恩航离裂的这样的一个维度,以便用我们待会儿你和的时候使用。因为我们待会儿你和的话必须要改成单列的这样的一个形式,所以我们在这里进行一个举证为证的调整,用 we shape 这种命令。 好了,这里 x 一万一内页都调整成一千六百行和一列,然后我们把初始的图呢得先绘制一下。 好的,这就是出事的这样一个三维图。接下来我们分两种情况来进行曲面的礼盒。第一种情况是我们知道原来韩束类型只是我们的系数不知道,也就是我们知道它包括哪些韩束类型,比如说这么些余些倍数 之类的,但是我们不知道他前面的系数,这个系数六点七十五六,这种系数我们是不知道的,我们需要去 啊用拟合的方式来求解出这些关键的技术啊,这是第一种情况,我们看来如何编写程序,这里首先要定义函数的类型,用菲太夫这个命令,也就是把我们原来这个函数 给写下来,不过是一些系数的话,用 abcd 这样的字母去代替,我们把它给写下来,然后这个低喷子的话,相当于是一个音变量,用的是类关于 s 和外的函数,那么 sy 呢,就是自变量,用音低喷等词这个名称来连接起来, 然后 abcd 呢都是扣一分神次,也就是一个系数,我们这里给停一下来,这样的话系统就能知道你每个字母代表什么意思。 然后接下来用 face 这个命令带入我们原来的数据, s 一外一以及小硬的函数值内衣。最后 后是我们的寒暑类型,这里已经提前写好了,命名为 fp, 然后呢得到细除矩阵以及该模型表现好坏的这样的一个变量。 然后最后呢我们进行绘图,绘出原始图像以及我们礼盒后的这样一个曲面,我们把这一小节给运行一下, 这个图我们先放一边,我们先看这个计算的情况,这里我们可以看到 abcb 这个系数值呢是已经计算出来的,和我们原来函数其实都是一样的,都是在很好的对应起来, 然后这个是你和的表现,可以看到这个啊, m 四一基本上就是零的,然后二方也是一,当然是我们已经知道这函数的类型的情况下,我们只是去求数,这些系数模型的表现当然会很好看这个图 图形的话,这个蓝色点呢,是原来我们生成的这些项链在空间的这样一个绘图,然后这个曲面呢,是我们根据这些点用这个函数取拟和出来的一个效果,基本上是完全对应的。 这里我要提到有第二种情况,比如说我们想要人为的固定某些参数,不让系统去求解,这个系数什么意思呢?就是说比如说六这个位置,我们不让系统去求解,你就是把这个的这个位置给经营成一个问题参量, 然后把这个细数这一块地呢给去除,定义为一个问题参量。同样呢我们在 face 这一块把这个 problem 边量给增加进去, 我们先把它写好,然后预警一下,什么意思呢?就是在这一块地,我们可以人为的去放置我们 想要的数值,这里比如说是二,当然原来含数是六,我们不知道他这个是多少,需要去进行尝试调试一下,再运行一下, 可以看到这个表现,二方是零点八二,然后二面四,一是四点三,最后呢我们再进行调节这个参数,一块调节成十, 可以看到这个值是变小的,二方呢也是增加的这个性能是变好的,可以不断的进行尝试,比如说八, 然后这个值更小,然后二方更大,这个说明我们的地值呢是在二和十之间,在某一个位置,这里需要我们不断进行尝试,才能达到一个比较优化的程度。是否需要将 某些餐住视为问题餐量需要根据你的情况而定,有些时候你需要把你的某些系数让系统求解,某些系数是你自己去设定的。然后我们再来看第二种情况,就是我们对原来的 函数是完全不知道的,我们仅通过一种平滑礼盒的方式来把原来函数的这个曲面给礼盒出来。这里第一种方法我们用到的是一个局部加权回归,直接在这个费函数的末尾加上一个 loser 名称就可以了。那我们先来运行一下吧, 得到是这样的一个效果,我们看到大部分区域你和的效果是比较好的,某些区域没有你和到,比如说,比如说这一块和这一块固然是没有在我们知道原来函数类型的情况下去求解某些系数,这样的情况得到了某些效果好的,不过他有零点九六的二方以及 二点零的二 mse 还是比较好的。那我们这里呢,对这个局部加权回归做一个简单的绘图,加深大家的理解。局部加权回归是这样的,我们先来随便绘制一个曲面吧,这是随便绘制的一条曲线哈,比如说我们在某个位置,我们 即为 x 一,在这个位置的前面和后面分别截取一段长度,当然这个长度是很短的,我们这里为了延时效果,我们把它给放大一点,实际的时候肯定是非常短的一段长度。我们用某种家群回归的方法 算出 x 一前后这两段的数据,对他做一个线性回归,你和我们,比如说你和后的是这样一个效果,然后我们找出 x 一位置对应的这样的一个外置,这位置外置大概是在这个位置, 也就是外一,然后呢我们在途中就能找出很多的 x, 比如说 x 二对应的外二, x 三 对应的外三,最后呢我们把这个 x e, x r, x 三给连接起来,最终达到一条 比较礼盒的曲线,这就是这局部加权回归的一个思想,我们这里只做一个简单的介绍,有兴趣的可以去 网上做一个了解。除了局部加群回归,可以做取乐礼盒呢,我们还可以把这个 lowis 变成其他的变量,比如说是多项式礼盒,之前我们也讲过,因为这里是 x 和外两个变量,所以我们这里的参数名称是 polar 三四,我们分别讲一下这个什么意思,还有就是多元性性回归的意思,然后这个三和四分别指的是 x, 在 这个你和函数中,他最高四项是三次,四代表外,在你和时他最高项是四次。我们先运行一下吧,待会直接看的函数表达是,大家就有一个基本的了解,这个是我们用多元回归这种方法,你和数的效果,我们看一下函数类型,点一下来费此二,这里是多元回归他的函数表。 答是我们可以看到在这个地方 s 最高像是三次,然后在这个地方最高像是四次,这也就是这个函数的名字的意思。但是这里我们可以进行一个更改,比如说改成三五,然后再运行一下里面的每一项对应的系数值,下面都会有一个求解,之后呢,我们用 这个命令加上我们你和好的这个函数,就可以求解出在每一个点,每个 s 和外对应的点, 他的拧合出来的这个曲面上的值,用的时候要注意他的这个指数项呢,最高只能是五次和五次,也就是说不能超过这个数值。 在做曲面礼盒时,用多元回归以及局部加权回归这两种方式都是可以的,具体要看你的实际的数据分布来选择用哪一种来你和曲面。好了,今天是我讲的全部内容, 大概就是这两种常见的问题类型,一个是原知道原函数类型求解系数,另一个是完全不知道原函数对我们的曲面数据做一个平滑礼盒,进而进行新数据的预测,所以你们学会了吗?

好,然后我就简单的分享一个那个 metamb 神奇网络工具箱的一个简单应用吧。然后呃,这是就是为了那个节省时间,我把它每一个截了个屏,就是 那个不用不用运行,咱们就可以节省时间,但是里面内容都有。然后这是咱们直接进入那个 matamb 的界面, 大概就是这样样子。然后呃右边这这块地方叫工作区,他主要是用来查看你的那个呃函数,以及一些就是变量这些呃这些东西,然后这个是命令窗口,命令窗口的话是用于你输入一些命令,然后让他那个 出一些命令,比如说是我这两条命令,就是第一个 x, 呃,第一个就是我建立一个变量 x, 并让他从零到二派,然后不长是零 点一个派进行个取值,然后第二个是 y 乘以 y 是呃三 ex, 然后再加上零点一 round, round 一 round 一是随机,从零到一产生一个随机数,然后我乘以零点一的话,就是相当于是从零到零点一产生一个随机数, 然后我见这两个命令,命令完执行完之后,你就可以看到我在右边这个工作区,我就有这个 xoy 这两个边量以及他所存呃存储的数据了。呃,然后这是命令窗口,如果你需要就是写很多的代码的话,这上面会有相应的 就是按键,这里就不用再给大家叙述了。然后紧接着我是使用那个马达莫自带的呃工具包,也就是这个 app, 他一共有主页绘图 app, 你点这个 app 他会弹出这些东西, 然后我用的是这第二个,呃 nature, 呃 network, 呃,呃 fitting, 就是意思就是那个神经网络礼盒,然后左边这个的话,它是起一个剧类的功能,然后右边第二个右边就是相当于是第三个这个图标的话,它大概是一个识别的作用。然后第四个这个的话 就是可以起到一个类似于时间序列的一一个那个预测的功能,呃,大家如果有需要的话可以自己下去了解一下。然后这次我们主要讲这个第二个是你网络拟合工具箱,然后他这个大概意思就是一个是你网络的介介绍, 然后这边是他的一个流程图,然后那个杜老师上课也给咱们介绍过,然后我们直接点这个 next 就行。比如点 next 的话,我们就进入到这样一个页面,这个页面的话就是需要你输入,输入两 个就是输入变量,输入和输出变量,然后并且选择他的那个方式,然后我们输入进来之后可以看到右边这个呃 summary, 就可以呃 summary 里面就会弹出你这个数据的一些特征,比如我刚才说的它里面的特征就是二十一个样本一个元素, 然后我们把 x y 选择之后,就是通过你调这个呃竖,就是那个行矩阵和列列矩阵,通过调整这个呃软,就是这这两个按钮的话,你可以就是看到你这个 数据的呃 summary, 然后根据你呃的实际的 summary, 然后就是调整合适了之后,我们直接进入下一个环节,直接点 next 就行,然后进入下一个页面的话,它是这样一个样子,它主要是 就是默认的是呃训练,这个这三个分别代表我们神经网络里面的训练级、验证级和测试级,我们输入的二十一组样本,他就是默认百分之七十作为我们的训练级,然后进行神经网络的训练, 然后百分之十五作为我们的验证机,就是训练他通过将训练好的百分之七十的数据训练好的神经网络,呃, 再将这验证级的百分之十五的数据带入这个训练好的神经网络之中进行进行一个验证,验证出来,然后再进行呃,进行就是 呃进一步的调节这个神经网络精度,然后最后会有百分之十五来作为一个测试级,就是相当于对我们一个就是这个神经网络进行一个评价,然后这边的话 是他的一些就是介绍,然后我们呃就是直接按默认来就可以了,他也可以进行一个就是调整。直接点 next 的话,这里的话是 用用来那个填写那个隐含层个数,他默认是十层,是有一个隐含层个数,是有一个那个经验公式来算的,这里我就不再坠述了,大家有兴趣可以下去自己了解一下。然后我这里因为老师上课讲的是咱们用一层一个隐含层来, 就是那个试一下,我就这里先填一个隐含层,然后我们直接点 next, 这里这个页面的话就是, 哦,终于到了我们那个神经网络的训练的时候了。呃,上面这个按钮里面点开的话,点这个下三角这个符号的话,他会有三个方法,其实三个方法的话就是 有差异,但是呃在咱们大家就是平常日常使用的话就可以不用不用管他这个东西,然后我们直接按默认这个东西啊,默认这个方法直接点这个吹训练就行。 然后训练完之后他会弹出这样一个窗口,这样一个窗口的话是这个是迭代次数,这个 time 是他所耗费的时间。然后这些东西的话我都会给大家讲一下,然后我们从这个每一个按钮进行一个,就是我,我们我点开给大家看一下,然后这边的话是他一个 哦这里挡住了,然后我随从人家的那个就网上搜了一张图片,截了一个图给大家看一下。嗯,还记得刚才咱们有三个,那个就训练级、验证级和那个测试级吗?然后这三个级和他呃,在那个神经网络 礼盒的过程中,呃,然后与实际的数据之间的均方差和相关系数这里有一个值。然后我们也可以从就是从这几个按钮里面可以看到第一个按钮的话是这样一个图,他大概的意思就是我的 呃神经网络的迭代次数,然后这三根三条线的话是它分别的那个训练级、页任级和 测试级,这个图的话因为我们只有一层,而且这个数据只有二十一组,就是神经网络,大家众所周知都是需要大量的数据以及合适的这个隐含隐含层,这些进行一个训练数据太少,他会出现那种就是过敏核的 呃过敏盒的状态,然后我们这个的话就是不是很理想,后面有我,后面我提高了那个 数据的数量,会有那种比较有理想的图片,大家一会可以看一下。然后就不是很理想,但是就是系统运行他默认是第五次就达到了最优级,然后一共运行了十一次,一共进行了十一次迭代,在第五次的时候达到了最优级, 这个图就能表达这个含义。然后左边的中坐标是他的那个 mse, 也就是刚才说到这个军方误差。军方误差呃什么含义?大家如果不知道的话可以下去查一下,我这儿也不再赘述了。然后紧接着是第二个按钮,第二个按钮点开,他是会有这样一幅图, 大概的含义就是梯度变化,然后我们就不用管它就相当于是那个梯度变化的话,就是那个老师上课讲的那个不长,这个东西应该是。然后呃接着下一个按钮 点开的话,它是一个误差的直方图,就是呃,就就就是这么一个情况,他不同的数据局以及呃,以及他那个就是不同数据局的一个误差,做成了一个直方图的样子。然后这是他 每一个数据集与实际的呃实际数据的一个拟合的情况,然后它这个数据是 r, r 是越接近于一,它这个拟合情况是越好的。 然后紧接着这个东西的话是呃,我们就是最后的一个呃 fit, 这个按钮按完之后它会出现这么一张图,这个图是这条黑色的线,是我们拟合出来的函数,然后这里面每一个点 是我们输入的,应该是说我们输入的数据,然后这个就这个黄色的这个竖线是我们的一个误差,可以看出咱嗯,在我们数据较少的情况下,他拟合出来函数是这么一条。然后紧接着 当我们增加这个样本的训练个数,从不长,从零点一派到零点零一派,然后我们的数据也从二百二二十一组数据提升到了二百零一组数据。然后我们紧接着进行那个相同操作,但是 呃就是相同操作,其中隐含层的个数也还为一。然后使用方法以及啊训练级、验证级以及测试级,他的那个百分比也不改变的情况下,我们看一下他最后结果,这样来看的话,他这个叠带的这个线 就会比较符合实际情况,就不会像上一张那个图上一次迭代一样就出现那种过敏核情况啊。可以看出我们本次迭代只进行了十次,呃,进行十次迭代,然后在第四次我们就进行就是达到了我们的 最优解,然后这是他的那个呃不长,然后误差脂肪图以及他的这个拟合情况,哦,这是,然后我想着重给大家看的是这是咱们的那个拟合函数,大家从这就可以看出看这是零,然后这是一, 然后这边是二派,大家就可以看出他这一条你和曲线已经很接近于我们的那个呃就是呃赛引函数,但是他的这个 误差还是就是与实际数据的误差还是有很大的,就就是还是有很大的误差。 然后在此我们如果增加隐含层的个数会发生什么,我们就按他十层来计算,然后不不单独根据经验公式来测算他的隐含层个数,如果你进行科研活动的话,他这个隐含层个处是需要进行那个 根据我们那个经验公式来计算呃调出来的,我们这里就直接按他用默认值十层来进行计算,然后这是这可以看出我们就是当隐隐含层个数调成十层的话,他这个连带次数就上去了,但是 呃所花费的时间还是比较少的。然后我们每一个点开都看一下,这个接待的这个线路 就十分的美观,就我们可以看出在三百三,三百七十七次的时候,我们完成的迭代并得到了最优解。然后这是一个他的那个误差,然后误差脂肪图以及他拟合情况,我们这里就看他,他看到他那个拟合情况已经接近于一了,就 特别好,但是具体是不是过拟和情况的话,大家还是需要进行一个分析。然后这里的话我们可以看到他这个就基本不存在误差,然后拟和情况也非常好。 然后就是我的操作就到这里完了,但是其实他这个神经网络后面还可以进行保存,神经网络就是你对你现在训练得出的这个神经网络很满意的话,你就可以进行一个保存,紧接着在后续的科研活动中可以进行应用。所以我就从网上 找了些图片,然后给大家把后面的给讲一下,就是这是把那个图片关了之后,然后点 next 出现了界面,然后呃这个按钮确定就是我们如果你对这个手机网络不满意的话,我们可以进行再次训练,每次训练基本他最后得出来的手机网络是不一样的,所以 你如果不满意可以重复的进行训练,直到你满意为止,或者是一直不多次不满意,可以调节一些隐含层个数以及训练级的呃占比,然后我们直接就是呃下一步,下一步完了之后是 这个的话是让你就是他系统直接就把你这个神经网络代码生成了,但是上面这一块是生上面这个按钮是生成的比较复杂的 神经网络代码,然后下面的话是生成的比较简单的神经网络代码,具体就是如果大家感兴趣的话,可以自己下去,就是找一下他们的不同,然后下一步,下一步的话就是重点就是我们这里有一个保存网络的按钮,保存网络这里看他的 网络的名称,这些都是你可以进行自己自定义的,当你定义完成了之后,然后就可以在左下角这个 按钮一点就可以保存网络了。保存完网络之后,他这个网络就会保存到你的这个工作区这一块, 比如说你刚才呀,比如说你刚才命名的这个神经网络名称是呃。 net, 然后你这里保存完之后,它这个工作区就会出现一个。 net 的一个神经网络,然后当你需要 呃进行一个,就是重新导入一组数据进行预测啊,比如说,比如说,比如说我在这里,在我是一组数据输入一组数据,比如说是 x, 就是这个预测,然后道的函数调用,调用我们这个 刚才刚才保存的这个神经网络,然后通过这个 same 命令,然后将神经网络进行一个 进行,意思就是用我们刚才保存的这个网络对这个刚才这组数据进行一个仿真, 这这个 s i m 它的那个全称我,我不会拼,但是它这个意思是仿真,然后通过这一个命令操作,我们就可以将 x 的一个预测值 y 进行一个导出,当你这个命令操作完之后, 它这里会自动生成一个 y 的一个呃,那个变量以及它的值,然后我的那个内容就这么多,如果有错误的话,欢迎老师同学们就是批评指正。

哈喽,大家好,今天呢给大家带来一个那个 mylive 神经网络工具箱的一个使用,就是关于数据礼盒的那个工具箱 啊,那么在使用这个工具箱之前呢,我先介绍一下我这个数据礼盒当中呢要使用到的数据,这个是我自己创建的一些关系啊,首先呢是 k, k 呢是作为一个输入 啊,它是一个一一千乘以五的一个矩阵,我们可以看到这里呢是那个它的一个值的一个情况, 那然后呢我把这个 h h 呢是作为了一个结果, h h 呢是一千乘一的一个情况,它是一个结果。然后,嗯给大家看一下那个关 关系啊,这个呢是我创建的那个 k 和 hh 的关系,随便写了一个,这个就是他的第一个数呢,他是平方之后再乘以五,第二个数呢他是乘以三,之后再取零点八次方, 然后第三个呢是乘以十,之后呢再取零点五次方。第四个是乘以二,之后再取零点八次方。最后一个呢是乘以零点二,然后再取四次方,那这样一个关系。 好,那我接下来就使用神经网络来拟合一下他们俩之间的关系啊,这神经网络是在这里 aapps, 然后直接点这里有一个这个飞挺,飞挺这个,那就是用这个来就是进行你数据拟合啊。好,那 我们就这里呢他只是对神经网络的一个基本介绍,这个呢层数呢我们是不能改变的,他只能是两层。好,那我们直接进行下一步,那这里呢就是输入,这里呢是目标值啊,输入呢就是我们把 k 放上去,然后目标值呢就是 h h, 然后呢我们发现这里呢他是那个什么,他需要转制一下。 嗯,这里是五个,五个相当于是五个案例一千个元素,那肯定是不行的,让要一千个案例,然后五个元素,那这里呢就是,哦,这不对,这个 h 需要转制一下, 稍等我一下,兄弟们,把这个回撤一下, h h 等于 h h。 好的,嗯,那我们这样的话应该就可以了啊,我们重新重新来打开这个 apps, 嗯,这里然后点 next, 然后我们把这个输入呢它是,嗯,输入是 k, 结果这个目标值呢是 h h, 然后这里呢我们可以看到它是对应的,就是它是五乘五个案例一千个元素,然后这里呢是一个案例一千个元素,那实际上是我们要 就是实际上我们是一千个案例,然后那个对应他的那个什么,那就一千个元,一千个案例对应五个元素,然后一千个案例对应一个结果,每个对应一个结果啊,刚才呢我做了一个 h h 的转制,是因为就是如果我们 强行执行的话,就刚才如果我不转制,他这里呢是一乘以一千乘以五,然后这里呢是一乘一千,肯定是对不上的,他会提示你报错。然后如果大家不会自己就是生成数据的话,也可以在这里点这个加载,然后随便选一个,然后 哦去给他执行也是可以的。然后这里呢我就用我刚才生成的这个数据, 嗯啊,或者就是大家就是在执行的时候也可以直接用,就是我们已知的。当然这里呢可以是一个多个值,就是每次,嗯,比如说输入四个值,然后输出两个值,或者说输入八个值,输入两输出两个值, 两个值或者四个值都可以。这里呢我比我做的比较简单,就是说输入五个值,然后输出一个值,每次然后加 下来就点下一步。这里呢就是把这一千个案例呢分一下分成训练级,还有这个是这验证级,这个是测试级啊,这个呢一般按照他默认的比例就可以了,然后如果就是需要改动的话,可以稍微改一下也没有问题 啊,这个呢应该是有一个很好的最好的比例,但是呢我不是很了解,所以这里就不跟大家细说了,我就随便改了一下,然后我们再点下一步, 下一步之后呢这里呢要输入一个隐藏隐藏层的那个神经元的个数啊,这个个数的话,大家可以根据自己就是输入输出变量的个数以及数据的大小来进行决定 啊,一般呢就是如果你数据量比较小的话,输个十或者二十一般就够用了,但是如果你数据 量比较大,关系比较复杂的情况下,那建议你就是增大这个,增大这里的这个呃隐藏层的这个神经元的个数呢,他会有利于你结果的优化啊,这里呢我就输一个二十,然后我们直接点下一步。 好,那这里呢是到了方法选择的时候,他这里呢一共有三个三种方法啊,其中这个方法呢,他是就是 占用的内存呢会比较多,但是时间会很短,他他是会自动停止的,当他的那个呃军方差到达一定值之后,他就会自动停止,然后我们这个 第三种方法呢,他也是就是但是他占用占用的那个储存空间会比较少哦,然后他是也是会自动停止,当他的聚放差到达音质,然后这个呢他是啊 思政则化,这个呢用可以用于处理很复杂很复杂的那个关系,他会就是他会就是按照那个一千步把一千步算完,然后就是 把就是误差尽可能的集中在零附近,然后哦这样的一个算法。然后如果就是大家处理比较复杂的情况呢,用这种算法呢其实可以得到比较好的结果。然后一般情况下就是如果数据量不大,或者说那比较简单的 case 的话,我们用这个 算法就可以了。但是如果大家对相关的算法的原理就是有,就是需要了解的话,大家可以去查看数学建模相关的一些书籍,那上面都有一些原理的讲解啊。那接下来我们就点击训练就可以了。 好,我们看到他, 他在那个什么现在在跑, 好,现在他是跑到了九百四十四步,说明他是如果跑到一千步的话,说不定他是没有达到那个想要的误差,但是他跑到九百四十四步自己停了,那就说明他其实还是就是 迭代得到了那个误差,误差线,然后就自动结束了。那这里呢我们就来看一下结果。 呃,这个是 performance, 这个呢就是三个数据级的那个距方差下降的一个情况,那这里呢就是到这个点呢,是他应该是结果最好的一个情况, 我们可以可以看到他控制的误差呢是在十的负四次方以内。嗯,好,那接下来就是再看这个 training state, 这个呢是他的 迭代过程当中的这些量的变化情况,其实这个我不是很懂,这里就不跟大家细说了。嗯,这个呢是是他的误差的一个统计,我们可以看到呢,就是他的误差呢就这两个,这两个几乎上就是快,一,就是四百多,四百多基本上就八九百,就一千, 基本上就是这九百多了,九百多就是说明九百多个误差,就是误差呢都在这两个值以内,那说明这个误差还是非常非常小的,就是也是可以接受的。 当然这里呢肯定就是这里也有,这里也有一种情况,这里也有一种情况,可能就误差相对来说比较大一点,这是误差的一个统计情况。嗯,好,那这个呢是他的那个相关性相关性系数的一个分析,这里吹拧就是训练 那个数据集呢,他的号是等于一的,他相关性特别好,然后这个验证的呢,相关性也是等于一的,然后测试呢,相关性也是等于一的,那整体呢也是等于一的,那就说明这个礼盒的效果呢特别特别好,这个是没有的。 嗯,好,那接下来就是相当于是我们现在呢已经完成了这个礼盒了,礼盒,礼盒完成之后呢,我们就是还要用这个建立出来的关系,对不对?嗯,那我们就点下一步, 下一步他可以就是继续训练,就是为了得到更好的结果,也可以继续进行训练。嗯,然后呢也可以调整神经元的这个也就是中间层的那个隐藏隐藏神经元的个数, 然后也可以导入其他数据,那这里呢我们就不管,我们这个训练的结果,我们认为已经可以了,那我们就继续下一 步。这里呢我们可以导出它的那个。呃,就是神经网络,它获取的一个就是关系函数,也可以导出这个 steam link。 它的这个, 这个,这个我没有用过,我一般呢是直接用这个就可以,就用这个或者用这个就是这两个其中一个就可以了。那我们就是把其中一个打开吧,这个应该是只能用于计算矩阵,这个呢就是所有的都可以,那我们直接点开这个, 嗯,我呢是习惯于把后面的这个逗号给他删掉,因为我这个逗号呢我不知道他有什么用。然后一般我们直接输入输入这个呢,我们就会得到我们想要的结果。这个 x 呢就是我们刚才输入的那个。呃, k 的那个输 录制这里呢我们随便选取一组,嗯,选取靠前一点吧。嗯,这个第二组,我们记一下他是第二组,然后 x 呢是等于这个。好,那我们调用他的这个,嗯, 我们调用这个神经网络的这个函数,我去给他计算一下。 我们刚刚呢出现了一点点小问题,我发现是我输入 x 的方式错了。啊,刚才呢我们的 x 呢是是这样的,但实际上 x 应该是等于,实际上 x 应该是这样的,然后我们把 这个输入的话,就可以得到我们想要的结果了。我再运行一次, 然后没有定义,然后就把它泡一下 change folder。 好,我们可以看到我们得到了这个八点八三九七,然后呢我们这个 h s 呢对应的是八点四八四零七,其实呢它这个误差呢非常小。嗯, 当然了,就是我们得到这个结果之后呢,我们也可以利用这个函数去预测别的,就是五个值,我们可以随便写五个,那个五个五个数。然后呢就是去预测,比如说 x 等于 red, 哦,不对啊,就这样吧,那也是可以的。然后呢我们就直接执行, 嗯,他就会得到,就是一组预测,得到一组预测值,但是他是这样,这样,这样作为一组,这样作为一组,这样作为一组来进行预测的。然后这预测的结果呢分别是这些值, 这样的话我们就可以去使用神经网络去预测了。那么本期视频呢,就到此结束了,如果你觉得这个视频还算有用的话,就给我一个一键三连。好,谢谢,下期再见。

朋友们好, matlab 这样做曲线拟合最方便,快来围观!输入 cover to 运行,首先导入 x 和 y 的数据,然后右侧选择多项式次数,工具栏可选择残差图和制性区间分布图,通常选择百分之九十五制性带。右侧有拟合的结果公式,即系数 以及礼盒的结果,包括 r 方级 m c。 礼盒结果可以直接复制粘贴礼盒,得到的图片可以直接导出为各种格式,也可以导出为函数格式,可以对该函数个性化修改,如轴、标签、线条、颜色等。最后保存一下函数,随后直接用此礼盒函数代入 x y 数据即可得到礼盒图。快去试试吧!

是公众号的二维码,然后这是公众号的名字,袁隆派程序和推文都在里面。 嗯,今天主要是讲解一下马特勒本的区域遗传算法工具箱进行一个多参数的礼盒,呃,这个前面也讲过这个参数礼盒方面的 啊,今,因为这个绝遗传,呃,上访工具箱的话,前面讲过他可以用于求解一些,呃规划类的啊,但你和参数的话他也,呃,他也是一种,嗯,就是 线性规划的非线性规划或者线性规划中的一种。呃,他目标函数可以是你和函数和已知的输出数据之间的差值,绝对值得两加值,或者是呃就是减小他们两者之间的误差,求那个位置参数。嗯,今天主要是以这个时间的例子去讲解 matelabee 的一个剧院遗传 算法工具箱,然后这里面的话,呃,前面也讲过这个转化成非线性模型的一些写法,比如说他是求这个目标函数的最小值,然后这里面的 aaeq 是这个线性 呃不等式约束和等式约束它的一个相关的一个系数,然后这个 csceqx 是它里面的,呃非线性不等式约束和等式约束的一个,呃,就是函数。关于 x 这个变量, s 的话可以是这个多个的,就是项链,项链, 然后他 x 的话,他有一个下届和上届在使用的时候的话,比如说使用的时候这里的 ga, 这个第一个输入的话,他可以是目标函数,第二个输入的话是这个参数的这个变量有多少个?分别对应的是这个现行 不等式,现性等式,还有上届下届非现行约束条件,还有就是这个绝音工具箱的一个参数的设置,返回的话就是这个呃结果和对应的这个目标函数的值 啊。如果里面的是没有这个现行约束条件的话,这 abaqbq 都可以设置为空,下届和上届也可以为空,或者是无穷大富,无穷正无穷。 然后里面的这里面的话和前面讲过的是一样的,然后今天主要是以一个实际的意思来讲解,比如说我们的一个非线性玉树 呃飞线性的一个函数 y 等于 a 乘以三眼 x 加 b, 然后这个是一个比较简单的一个非线性的一个函数啊,我们要求他的一个系数 a 和 b, 呃,然后这里就相当于要已知我的一个输入 x 和输出的 y 要求对 的两个位置的猜量 a 和 b。 那么这里首先是要生成对应的一个数据,这里的话假设这个 a 是等于二的,然后 x 的话是零到十,每个一取一个点,一的话是等于一,然后我们生成对应的这个实验的一个数据 啊,比如说我们运行一下的话,呃,就可以看到这里面的 x 对他, y 对他,就是我获得的这个实验的一个输入和输出,然后要反向来求解这个系数 a 和 b, 然后这里的话就是通过这个 c 五把这个呃 xdadaydata 这个保存在 dota 点 mat 这里面,呃,就是他这个语法的话,就是将这个 sdataydata 保存在这个 dotadamat 啊里面,可以看到这里会 生成一个 dot 点,按媒体里面包含的是 xdadaydada, 那这时候的话,我们已经获得了这里面的一个实验数据,就是输入的 x 和输出的 y, 这时候的话我们就是通过这个组程序去编写啊,这个的话是一个组程序,我们可以先运行一下啊,或者是先讲解一下。 呃,首先的话我们就是要设置这个君威算法的这个君威工具箱的一个参数,首先比如说这个 clc 是清除迷你行的窗口,这个肯定哦的话是清除这个工作区的一些以前程序生存的变量,这个 clothe 的话是关闭图形窗口, 然后我们设置参数的时候可能会要去设置他的一个呃,一算算法的一个总权的数量,我们比如说这个 pop 设置为五百,然后这个拖啊就是允许的误差,允许的误差 我们呃他默认的是一乘以十的负三次方,也就是零点零零一,然后这里的话我们把这个误差允许的误差设置成更小的一乘以十的负六次方,这里就是一个科学技术法, 然后这里面会涉及到一个变异率和交叉率,变异率的话就是在在这个呃基因基因遗传的时候,那他有可能会有发生变异,这个变异率设置为零点零一,也就是百分之一的变异率, 然后这里面交叉交叉率设置为零点六,然后这里总权的最大数量设置为两百,然后这里面的话通过这个 oop 我不选是去设置它里面的这些参数,比如说我们要操作的对象是居然遗传算法工具箱设置的这个容忍的这个呃允许误差是这个托啊,然后这个可以把这个迭代求解 过程啊绘制出来,通过设置的这个普罗特发去就是绘图的一个回调函数啊,这也是调用了他他的一个呃绝普罗特,呃白斯特这个啊函数它里面的话会自带, 然后这里面的话设置他的一个呃变异率和交叉率,就是通过设置 pe 和 pr, 然后这里是种群的这个数量设置为 propop, 然后最大的连带次数为 max, 然后 display, display。 英特就是把他的一个迭代计算的一个过程给输出,输出他的计算过程,然后我们去设置设置他的什么,就是 第一个输入是他的一个嗯,目标函数吗?我们可以看一下这里的目标函数的话是一个这样的,呃,目标函数 的话我们可以去设置成这个求求解,他的一个呃 y 的话是等于 a 乘以三 s 加 b 吗?我们可以去加载已知的输入输出的数据,然后这里面的 a 的话,我们就可以把这个变量就是 x 的第一个 x, 一的话我们理解成为 a s 二的话为 b, 然后这个 s dataydat 是 x 和已知的,然后我们就去进计算在这个参数呃下,这里对应的 x 是多少哦,对应的这个 s 输进去,对应的他有个输出, 就是呃,我同样的这个 x 输进去的话,在这个参数下计算的有个 yf, 这个 yf 的话就是这个参数下,然后我们去目标函数的话,这个 y 的话就是啊去计算 yf 和这个 yt, 这个 yt 的话是一致的,输出 两个之间做差,再除以这个呃数,数据的个数就是相当于平均的一个误差,然后再把它累加,就相当于目标函数的话,实际上就是什么呢?实际上就是他的已知的数据的输出和我计算参数 的时候对应的一个输出,当这两个两个之间的误差很小的时候,那我们就可以理解此时的参数 a 和 b, 他的值的话和这个实际的值就会比较接近,所以的话就是求这个目标函数误差啊,平均误差的一个最小值,误差和的最小值, 然后这个就是目标函数,嗯,然后里面的这个第二个输入的话就是这个变量,因为我们里面的话是 a 和 b 啊,不变量,然后这里面的对应的线 信,嗯,不等式月数和线性等式月数都是没有的,就这里面没有都是为空。然后这里面变量有一个下届和上届,我们呃可以大概估一下,比如说我们设置他的一个下届都是零,上届的话我们可以比 呃比较大一点五啊,然后可以看到它里面的下届和上届他都是列限量,所以我们这里加了一个转字, 然后这里面的话没有非信讯约束条件,所以我们这里的非信讯约束条件可以设置为空。然后这个 oppo 的话就是前面设置的这个选项,然后我们这里的话就是把对应的结果复制给这个 a 和 b, 然后呃进行一个计算绘图, 然后我们可以运行一下,看一下这个呃实际的一个操作的一个过程啊,这个的话就是 算法工具箱它的一个呃迭代的一个计算的一个过程,呃,这里面的话就会有有有几个部分就是他们的最最好的值以及平均这些取值的平均值,然后这里面横轴的话是他的一个迭代次数,呃,走哇中轴的话就是他的目标函数的适应度, 可以看到这里面的话会输出他的一个迭代的一个计算的过程,然后这这里面会包含了他的迭代次数, 呃以及他的一个适应度函数,就是目标函数的值以及平均值,呃,还有就是连续的这个迭代的,呃截止的一个迭代次数, 我们设置的最大的迭代次数是两百次,所以的话他就会在这两百次之内,我们可以看到他这里面的话就有这个迭代一个 过程,就是他的一个蓝色的和这个黑色的, 这里面的话还在继续的一个迭代求解的一个过程。我们可以看到在迭代到七十六次的时候,呃,他这里面已经就停止了运算, 我们把这个放上去,就它里面的迭代次数的话,我们可以看到从一啊一直到这个七十六里面的话会有计算他的一个最大的,最最好的这个达斯特,呃最好的目标函数值以及平均函数值,以及他对应的连续迭代的次数。 嗯,可以看到我们这里面他这里的呃,这里面的话实际上从从这里开始的话,他这他的这个纸的话就没有发生变化了,就是连续叠单 的一个值,他的他的目标函数的值都是这个,所以的话啊,他这里就停止了这个迭代的计算,因为最大的目标,呃迭代次数是两百次,然后我们呃就相当于已经求求解好了,这个 x 的话就是二一,那这里的话实际上和我们实际的一个 只是接近的就是一样的,因为这里面的话,我们刚开始实验生产的时候,取的 a 是二, b 是一,然后这时候的目标还数的值是会是四点零一九乘以十的负七次方,那这个值是比较小的,就 可以相当于他的目标函数的话就是接近一点,相当于误差为零啊。这个这样的结果,我们可以看到这个图的话啊,然后这个蓝色部分的话,实际上他就是一个目标啊,就是已知的输入输出的一个数据, 已知的十一个点的一个输入输出的一个数据啊,蓝色的部分的话就是通过这个参数,你和绘制的这个图像,这里面绘制的时候就是 xx 的话,就是通过这个范啊,范珊珊去计算,然后这个范珊珊的话实际上就是我需要输入对应的一个 x, 还有就是对应的一个参数 ab, 然后去计算, 那这时候的话实际上就是计算他对应的哦,我在这个参数求出来之后,我要去计算啊 x 从零到十,每个零点一取一个点,然后进行一个绘图, 这就是通过绘图设置他的横坐标、重坐标以及图例以及他对应的网格,可以看到这里背景的话会有网格,然后这里的话就是里面的话一个完整的程序啊,所以的话 我们可以通过这样的一个方式去把那个参数礼盒,礼盒多个参数去转化成一个啊,规划的一个一个问题,然后这是对应的一个程序,然后还有就是运行的一个结果,迭代的一个结果吧。 那我今天主要是,呃,以一个简单的一个非性性的一个多参数的礼盒的例子去讲解,通过这个聚约遗传算法工具箱去进行一个多参数的礼盒,然后谢谢大家。

大家好,欢迎收看迈克拉的教学视频系列,获取更多的迈克拉的教学视频和学习资源,请加我的 qq 号或者微信号。在上一讲里面给大家讲解了线性礼盒的迈克拉布实现。今天的这一讲里面 给大家详细的来讲解一下非线性离合在 matle 当中的一个实线。这里是我们今天的教学内容,首先会给大家讲解一下残差和残差平方和的数学概念, 然后会给大家讲解两个常用的人口增长模型,分别是马尔萨斯人口模型以及 notextx 人口模型,然后会基于 notextx 这个人口模型来给大家深入的去讲解如何在 mat love 当中实现非线性离合。接着会给大家来讲 讲解一下局部最优解的这个啊,数学概念,相信局部最优解也是困扰了很多同学的这样的一个问题。接着会给大家来讲解如何在 matele 当中实现礼盒效果的一个评价,这是一个非常重要也是非常务实的一个问题。 在视频的后半部分啊,为了巩固今天所学的知识,会给大家再来分析一个土壤含水率的这样的一个问题。在视频的最后会对线性离合和非线性离合问题来做一个小结。 首先我们来看一下礼盒残差和残差平方和的这个数学定义。在上一讲的这个线性礼盒的教学视频里面,曾经给大家介绍过测量点和礼盒曲线的这样的一个距离好测量点,各个测量点到这个礼盒曲线的一个距, 就是这些蓝色的星号到这个啊,绿颜色的这个啊,礼盒曲线他的这样一个距离好,这个距离呢,在数学上呢,是有一个专门的定义呢,就叫残差啊 残差的定义呢,他就是测量点到礼盒曲线的这样的一个距离,然后具体到计算呢,那就是礼盒值和测量值啊做一个差,就是我们所谓的这个残差好, 比如说对于啊 xk 这一个啊测量点来说呢啊,他的这个残差计算呢,就是啊 xk 这一点的这个啊礼盒值好, xk 这一点的礼盒值是 fx k 好减去这一点的这个 啊测量值就是瓦 a k 好,所以说呢, t k 点的这个残差呢好,就等于 fx k 减去一个瓦 a k, 这是残差的这个数学定义,然后残差平方和呢啊,顾名思义他就是残差的平方和,具体到这个啊数学计算呢,就是将这个啊礼盒值 和测量值做一个差啊,这是残差好,然后求一个平方,然后再四个码求和好,这就是残差的平方和好,或者写成啊右边的这个式子啊, 直接就是残差的平方好,然后再求和。我们在啊上一期这个先行礼盒的教学视频里面曾经给大家讲解过礼盒的这个啊数学定义, 我们结合这个啊残差平方和他的这样的一个定义啊,我们知道啊,其实礼盒问题呢,就是求解啊,礼盒函数 y 等于 fx 里面的这个代定三数,然后呢使得这个啊残差的平方和最小啊,就是使得残差的平方和,就是这一项使得他啊最小。 好,给大家介绍这个残渣和残渣平方盒的这个两个基本概念啊,我们在后面的视频里面啊,会用到这个残渣和残渣的平方盒,下面我们来看一下 这个啊人口增长模型。好,先是这个马尔萨斯人口模型啊,马尔萨斯人口模型呢,他是有一个啊,假设的,他是假设在单位时间内的这个人口增长率啊,呢,是一个常数啊,就是人口增长率是不 变的,是一个常数人口增长率啊呢,他是这样的一个啊定义啊,就是单位时间类的这个人口增长率啊,这样一个定义呢,就是用这样的一个公式来 计算的啊,他就是 x 加戴他 x 十克的这个人口数呢,减去一个 x 十克的这个人口数再除以啊, x 十克的人口数呈上一个时间的变化。戴他,因为我们是单位时间类的这个啊人口变化吗?啊,所以说在这个分谋上呢,我们还会有一个啊,戴他 x 表示单位时间好,我们将这个带他 x 将他移过去啊,就得到这样的一个式子。这个式子的左边呢,这个大家应该是很熟悉了啊,如果带他 x 趋向于零的时候呢,其实这一项呢,就变成了迪瓦比上一个, 也就是啊娃对 x 的这样一个导数了。好,右边的话呢,是啊,呈上一个娃,如果我们再给定 您现在收看的是预览版的 matel 教学视频,获取完整版的 matel 教学视频和更多的 matele 学习资源,请联系作者的 qq 号或者微信号。作者的 qq 号和微信号的昵称都是上下求索, 扫一下下面的二维码,可以加作者的主号 qq 备用 qq 作者的个人微信,我们的微信公众号以及我们的一个微博。

origin 进行实时曲线礼盒简直不要太方便。以这组数据为例,绘制出三点图,然后点击右侧 app 栏的礼盒工具,然后进行线性多项式和非线性礼盒,还可以绘制至信贷 以及自定义拟合函数。最后点击报告得到拟合图和参差图二方合,拟合曲线的参数也可以在图中展示,真的很方便,你学会了吗。

大家好,欢迎收看麦克拉的教学视频系列,获取更多的麦克拉的教学视频请加我的主号 qq, 备用 qq 或者我的微信号。今天我给大家讲解的是详解数据礼盒的 matel 实线, 因为礼盒分为线性礼盒和非线性礼盒两个部分。今天我给大家讲解的是线性礼盒部分的一个内容,这里是我们今天的教学内容。 首先我们会来看一下一类问题的基本描述,然后会给大家回顾一下礼盒和差值的它的一个区别。 接着会通过一个简单的引力来给大家讲解一下礼盒的一个数学定义,然后会通过三个具体的案例来给大家详细的讲解一下如何 在 mat love 当中实现线性礼盒的这样的一个方法。在视频的最后,我给大家讲解一下典型函数的一个线性化的一个处理。我们首先来看一下一类问题的一个基本描述,我们已知一系列的这个离散数据点 x, e, y, s, i, y 二,一直到 x n, y n 好,然后让你去求当 x 等于 xq 的时候, 他所对应的这个 y 值 y q 等于多少。比如说我们已知这样的一个啊,五个的这样的一个离散数据点, x 一到 x 五,然后对应的 y 是 y 一到 y 五, 然后让你去预测当 x 等于 xq 的时候,他所对应的这个外值 wq 啊,他应该等于多少?好,求解这样的一个问题 的时候呢?啊,我们可以去构造一个函数, y 等于 fx 啊,用它来逼近或者是说来近似替代我们已知的这些个离散数据点, x 和瓦 a 之间他所对应的这样的一个数学关系, 一旦这个函数瓦 a 等于 fx 被你构造出来了啊,这时候呢,要求你去求 x 等于 xq 的时候,他所对应的这个瓦 a 值呢啊,你直接将 xq 啊,我们将它带到这个函数观音室里面, 好,你自然的就可以求出来他所对应的这个 y 值, yq 等于多少构造这样的一个函数 y 等于 fx 呢啊,有两大类的这样的一个方法, 第一种方法呢,就是我们今天啊要讲的这个啊,数据礼盒的这样一个方法,还有一种方法呢,就是啊插值的这样的一个方法, 关于差值的这个方法呢啊,我们在前面的一期教学视频里面讲解数据差值的 matel 实现啊,在这期教学视频里面已经给大家详细的去讲解过了,这个啊,差值方法在 matele 当中的一个实现 啊,建议大家去啊看一下这个啊差值的他的一个视频,既然有礼盒和差值这样两种方法啊,来求解这样这样的一个啊数学问题呢,那么很自然的就会想到,那礼盒和差值他们有什么区别呢?我们来 回顾一下礼盒和差值这样的一个区别,之所以说是啊,回顾一下,是因为我们在差值的这期视频里面呢啊,已经给大家讲解过礼盒和差值的它的一个区别了,今天的这一期视频里面啊,我们再来简单的来回顾一下这两种方法的一个区别。 学过啊,差值那一期视频的同学呢啊,应该已经清晰的知道啊,对于差值方法来说呢,这个差值曲线,他 会啊完全的通过这个已知的这些个离散数据点啊,比如说啊,我们已知这样的一个啊,五个的啊离散数据点,然后我们用差值方法得到了一条差值曲线,那么呢,这条差值曲线呢,他一定会完全的通过已知的这所有的五个离散数据点啊, 这个是差值啊,如果是你使用礼盒的这个方法啊,同样的对于这一个啊五个啊已知的这样一个礼散的数据点,那我 我们可以啊,通过礼盒的方法得到一条礼盒曲线啊,对于礼盒来说呢,这条礼盒曲线呢,他不一定会经过所有的 啊这些个五个离散的数据点啊,他不会刚好通过这所有的五个离散数据点啊,这是从直观上来看礼盒和差值的一个区别啊,差值呢,他会要求这个差值曲线呢,通过所有的这五个点, 但是礼盒呢啊,他礼盒曲线呢,他不一定会经过所有的这些个离散的数据点啊,这是直观上,从这两幅图啊,我们可以看到礼盒和差值的他这个区别, 然后这样啊,大家乍一看呢,哎,差值曲线他刚好通过所有的这啊五个离散的数据点,那么差值是不是就更好呢?或者是说啊,差值的这个方法是不是啊 会更高级呢啊?其实啊啊,其实啊其实不是的啊啊,因为差值呢,他在数学上要求这个差值曲线通过所有的这些个理散的 数据点呢啊,这个要求呢,其实是很高的这样的一个要求啊,既然有这个这么高的一个要求呢,那么呢,我们在选定这, 您现在收看的是预览版的 matelab 教学视频获取完整版的 mateab 教学视频和更多的 matelab 学习资源,请联系作者的 qq 号或者微信号。作者的 qq 号和微信号的昵称都是上下求索, 扫一下下面的二维码,可以加作者的主号 qq 备用 qq 作者的个人微信,我们的微信公众号以及我们的一个微博。

今天主要是讲这个曼德勒多项是你和函数关系,然后当已知这个数据的他的啊质变量,或者是 啊假车是 x, 然后音变量的值,然后要探究他们之间的函数关系,可以对数据进行一个礼盒,用多项式去礼盒,可以用一节二节去礼盒,他啊当他的自信区间 啊,那个接受的时候,他就可以呃去近视的表达他们之间的函数关系, 然后他这里摩托罗布提供了啊最小二层。你好,还是不就是啊普罗伊 fate 啊,这里的话就是,呃有几种啊?有三种格子,第一种的话就是他 x, y 就是分别代表 x 的话是已知的知名量, x 的一个数据, y 的话就是呃已知的硬币量。 y 的数据, n 的话就是用几节多项式虚拟和,一般就是四啊,就可以多四几个,比如说一接,二接,三接,四接五接, 看哪种他的礼盒效果比较好,嗯,就可以。然后返回的这个 p 的话就是啊多项式的系数,比如说他的一个,比如说返回一个项链,项链的第一个参数,他就是啊对应的 n 接多项式前面的一个系数, 然后他是一个降密排联,然后啊第二个的话,他这这个总格是会返回一个 s, 二十的话就是一个那种一个误差的一个估计值,然后 第三个的话,第三种形式的话,他会输出一个这个自信的一个一个区间, 然后一般用的比较多的就是第一种,然后可以对他进行原始数据和一个礼盒数据进行一个,在同一个画布上进行一个作图比较, 然后可以举个例子,就是呃用常见的一个正形函数去使用啊,就是几几次的一个多项式去礼盒,嗯,好,程序在这里 哦。然后这里的话就是 x 零的话就是他的一个正向函数的一个支配量,他是从 pi 的话就是马特勒表的一个派, pi 就是代表了派,然后复派到派,然后以布场。零点一就是以零点一为 啊公差的一个,等一个等差数点就是二次领取复派,然后下一个的话就是复派加零点一就是以零点一为间隔,就是生成复派到派之间的数。 好,这里的话 y 零的话就是一个山影。然后经常用的话,还有一个就是啊,就比如说你喝完之后如何计算他这个,利用这个多项式进行计算,他又提供了一个 pro evo 啊,这个 a, 这个 a 的话应该是一个 p, 就是前面的一个呃,系数据证啊,一个项链,系数项链啊, x 的话就是啊,算,算哪个呢?算的那个范围就是通过这个多项式去计算,他提供了一个函数,就是多项式 x 在外出的值可以在这里计算,这二十的话可以是一个数,也可以是一系列的一个项链,就是一一个序列, 然后通过。呃,这个的话,那这个的话就是通过这个 pro ex 是 x 零的数据, y 零是这三 e 三 x 零的一个数据,他因为 x 零是一系列的数,所以 y 零也是一个啊销量, 然后通过这两个数据,这里 n 的话是四,就代表用四阶多项式训你和这个函数返回的批。零的话就是 啊,一个一乘以五的一个项链,然后第项链的第一个数就会代表 x 四次方前面的系数,然后通过计算,比如说同样算,呃这个 x 零的一个范围,就是利用这个礼盒的多项式去算 他的字,然后进行一个对比啊,我们执行这这一部分代码的话,我们可以看一下,然后这就是啊一个字, 就是啊,这里标注一下, 用不同颜色区分一下 啊,蓝色的话就是原始的,然后红色的话就是礼盒了,嗯,执行一下 啊,蓝色的话是原石的,红色的话就是呃礼盒的,红色的话就是礼盒多相似的纸,就啊可以看出他的趋势是大致一样的,然后还可以通过啊这个普罗意 图审,就是得到他表达,是我们执行一下这个就可以他的他的表达。是啊,这个是呃,用的是 一个分母的形式,可以通过一个 vpa vp 函数把这个结果化剪成一个小数表达形式,然后他的小数的精确度比较比较长, 可以再执行一下当前的这个意见,然后当前的话他就变成了负零点零一零,然后他可以到小数点后二十位,就是把这个啊分母的一个形式分色的一个形式转换成一个小数形式,小数形式看起来就比较啊,比较容易看懂, 然后啊这个 s 一的话就是啊一个新的,比如说他这里是啊八一的话,他是一个一除以 一加二十五, x 的二十二十一的平方,就是另一个一个函数,通过这个去礼盒的话,我们来看一下,就是通过三次、五次、十次多项式去礼盒这个,然后分别计算啊,他在 这个是礼盒的这个负一到一,但啊算的话也是从负一到一算,就是通过这个得到的一个多项四, 礼盒的多项式去算,然后这是多项式的一个普罗意威啊,就是多项式的一个系数,然后这是多项式的一个范围。负一到一就是同样是礼盒,然后对他进行一个画图,然后再用那个图例去表示, 然后这个的话就可以看看得清楚,就这个绿色的话是 原始的,然后这个十四的话是十十四多,像是礼盒,然后对应的一般次数越高,他的精度数越高的,然后他可以在啊函数关系未知的情况下,就是可以通过这种方式去进行一个多像是礼盒去表达他们的函数关系。 然后也以前写了一个就是对一个数据的一个加载,就是对啊,就是数据存在一个色里,然后对一个色进行一个读取,读取特定的啊,比如说这个 xls, xls 瑞的就是对这个 excel 的数据进行一个读取,就是对这个名字的一个色进行读取,然后第二个参数的话就是一个工作户,比如说他有一个 啊血的一,血的二,这里是命名成 tp 三六,然后他数据的范围是接五到二十二十七,然后对数据进行一个处理,就是删除一些空的数据,然后进行一个啊计算,然后进行一个一次二次三次的一个礼盒,然后 在礼盒过程中就是算一下这个平均值,然后啊之类的,然后进行一个把那个方程输出,一次二次三次的方程输出,然后对应的一个误差一个一个输出, 然后我们可以运行一下,首先的话他会对这个,比如说他是一个一个位移的一个预报,依次离合的话,他的误差的平均值, 最大字,最小字均分跟误差,然后对应的,然后垂直的也有,然后他的呃礼盒的一个啊,一是礼盒函数,二次礼盒函数,三次礼盒函数,然后他对应的一个结果图的话就是 这是水平的,水平的话他通过不同的形式去看他的这个实线的连接,就是一个实测的数据,然后通过这个圆圈和线连接的就是一次离合,二次对应的颜色不同的二次离合,三次离合,然后这里是一个通过一个数据去预 测,然后去看他的误差,然后这是误差图, 然后这个这个也是 都是程序的话,都在这个公众号里,然后他这个,然后程序 在这里就可以呃修改借鉴,他这里呃会设计这个球形君子最大支持像是一个军方跟误差,还有就是一个数据的一个呃初始选取,然后读取, 然后一些结果就到这。

欢迎来到迈特拉布数据处理与数据可视化的视频教程。嗯,最后我们来学习一下如何利用迈特拉布进行数据礼盒。首先看一下多项式礼盒,多项式礼盒在 money 里面呢,是用花里费阐述, 他的第一个参数是 x, 第二个是 y, 第三个呢就是呃米和的像素,也就是说最高次数,然后呢这里的返回值的第一个呢就是多项式的前面的系数,然后 s 呢是与米和相关的一些参数, 他是一个结构数据。下面我们通过一个实力来讲解一下 polepit 函数的使用。 好,我们先生存一下数据,呃,产生一下造成信号, 我们先我们再产生一下一些震动的一些信号 啊,关于 round 函数呢,我,呃前几节课呢已经做了一些介绍,这句我再讲一下 round 函数呢,它就是生成 啊乱的函数,在这里呢,他是表示说生成一行 m 列的一个数,一个数组, 然后呢我们是深层 y, 这里呢就是对 x 的,对这里的 x 呢进行求平方运, 这个打点的意思呢,就是对 s 的每一个,每一个,这 x 对 x, 每一个元素进球平方,然后对球得的平方,然后加上这个造成 啊,我们画一下我们所得到的数据,我们用点进行绘制, 这就是我们刚才所生成的一些数据,我们把它缩小,然后把它放大, 然后呢我们使用呃 polifei 函数对这些数据呢进行二次离合, 这是 打回子弹, 这里呢这个是 x, 这是刚才的这个输入的 x, 这个呢是 y, 是我们带有造型的 y 的一个变量。二呢就是我们的礼盒的次数,我回车 啊,我们这个礼盒呢就已经计算完成了,我们看一下所输出的结果 p, 我们看一下这个 p 的结果,直接回车,这就是经过二次礼盒后得到的结果, 这个结果的意思是什么呢?因为我们进行的是二次离合,哎哎,我们进行的是多项式的二次离合,那么他的结果呢,应该会有三项,第一项呢是二次项,第二项呢是一次项,第三项呢 是长寿相,那我们看一下 s 是得到什么结果? s 呢?它是一个啊,结构体,第一个呢啊,我们先不管第二个呢,我们也先不管第三个,我们看一下化利费的函数到底是一些什么东西,我们 在 partyfit 还是算单机鼠标左键,然后看一下 f e, 打开帮助文档, 我们看一下到底他是返回哪些值?好,我们刚才的用法呢就在这里,这个包住文档提示呢,这个他是返回的 多项式的系数 p, p 呢就是多项式的系数,然后呢啊返回一个结构啊,结构体,这个 s 是一个结构体, 然后呢这个结构体里面它包含这个这个系数 r 和 df, 然后和 nom r, 然后这刚好是这些值啊,我们看下这些值代表什么意思, 他这个 x 呢代表是一个犯的文德矩阵,然后呢这个这个 degree of free 点呢,就是一个自由度 啊,他自己自己是一个自由度,然后呢这个这个呢,他是代表的是一个标准的一个长插。 好,我们看一下你和的结果是怎么样的,我们画一下这个曲线啊,我们使用 polivia 函数, polivia 函数呢,可以计算多项式的, 我们直接输入多项式的系数,这个 p 呢,就是这里的多项式的系数,然后输入 x, x 就是自变量。好,我们再画一下,之后先后的按一下,然后画一下我们礼盒的结果。 好,我们礼盒的结果呢,就在这已经显示出来了,这是我们礼盒出来的曲线。 好,刚才讲了关于使用魄力费的函数进行多项式礼盒的方法,刚才呢,我们设的这个 l 呢,是等于二, 如果把这个 m 等于一呢,那么他进行的将是也是一个。呃,多项式的礼盒。所不同的是呢,这个所代表的意思呢,他就是一个线性礼盒了。关于。

哈喽,大家好,我是活泼可男,那么今天呢,我来给大家介绍一个 excel, 直接解决数据你和和的多参数优化的一个问题啊,那么前两天呢,我在网上呢看到一个这样的问题, 然后呢就是作者呢,他是使用遗传算法啊,粒子群算法等等一些优化算法来进行求解的。那么我认为呢,这种 这种方法呢,是非常愚笨的,其实根本就不需要用优化算法,我们就可以把这个问题解决,甚至不需要编程。 嗯,那我们直接用 excel 就把它解决掉。好吧,那我说一下我今天讲的这个方法呢,它适用的问题类型呢,就是已知道有一个或者多个自变量,然后语音变量数据,并且呢我们知道它的函数关系, 那这种情况下呢,其实就是我们不知道他的系数和系数项和常数项,我们直接用这种方法来对他的系数项和常数项进行求解。好,那废话不多说,接下来呢,我就给大家介绍一下这个方法具体是怎么用的。那么首先呢,还是老规矩,我先用,我先产生一些数, 嗯,我在这里呢先产生一些数据,接下来的时候用,那首先呢,我要产生 x 的数据,是 这样的, x 是从零到十五,然后间隔是零点一,大家也可以自己去产生。 然后呢第二个呢就是需要产生的是 f 的数据,那 f 的话,我是之前就写好了一个函数关系,当然大家这里可以随便改哈,可以随便改他的那个函数关系,这里呢是第一个五次方的系数是这个,第二个五 四次方的系数是这个,三次方的系数呢是这个,然后二次方的系数是这个, 然后这个呢是一次方的系数,这个呢是长竖向。好,我们直接回车就得到了 x 和 y, 那这个时候呢我们直接把 x 呢就是打开呢,就是可以看到它的值,我们打开 excel, 那我们打开 excel 之后,直接建立一个空的这个表格,空的工作服 工作部,然后呢我们把它最小化。这里呢我们就直接把 x 值 ctrl c, 然后呢我直接把它 ctrl v 到这里,不一致直接粘贴好,那我直接 ctrl c, 然后我这里呢需要进行一个转制, 转至进行粘贴啊,好,那我们 x 的数据呢就放在这里了,我看一下啊,这里 f 的数据呢,我们也想把它 ctrl c, 然后呢我们把它粘到这个 shit 一里面,我看一下能不能粘。 嗯,好,可以粘。然后呢我们再把这个数据呢进行一个复制,然后我们再在这里一啊,在这里,在这里呢我们直接把它转至 好了,那我们现在呢这是 x, 这是 y, 也就相当于是这是 x, 这是 f x。 然后我们在上面呢插入一行空格,用于存放我们的这个参数。好,我们这里呢写个一,然后我会把所有的参数呢都暂定为一 六,一共需要六个参数。好,我们整好了,那现在呢就开始进入最关键的时候了,大家仔细看这个地方啊,这里呢我们写等 于他成语他的 的五次方,这个还不算完啊,要在这个中间呢加一个 s 符号,就是这个是固定行的符号。然后呢我们在这里呢同样的写上他,他 乘以它的四次方。这里呢同样是加上这个固定行,嗯,这里呢是等于它 乘以它加上一个固定行。 o, 这里是三次方,然后这里呢是 等于他乘上他加上一个平方。好好,这里是平方, 这个地方呢特别容易失误,如果大家求的结果有什么问题的话,可以就是自己再改一下。后续这里呢是等于他 乘以它,然后这个是依次方,就不用写了,然后前面呢还是要加上一个固定行的一个标识, 嗯,然后这里呢就直接等于上面这个值就好了,这等于它固定号。好,那我们现在呢就直接把 这里双击这个点,然后他就自动的就是延续到所有行了啊,同样的操作呢,我们直接双击双击, 双击,双击双击。好了啊,那现在呢我们就得到了 k 五乘以 x 的五次方, k 四乘以 x 四次方, k 三乘以 x 的三次方, k 二乘以 x 二次方, k 一乘以 x 的一次方,然后这个 k 零呢就是直接是 k 零,那我们的 f 呢是等于他们所有项相加的,我们就把它。

math lap 实现的曲线你和回归分析包括自定义函数的非线性你和多项式你和多元线性回归,还有相应的回归图误差分析, 打开 m and m, 点击运行 运行结果。