正文

轻松掌握四大模型公式，图解教学，步骤详解！

/0 浏览量
0424

模型一：线性回归模型

线性回归模型是统计学中的一种预测模型，通过自变量与因变量之间的线性关系来预测因变量的值。

1.1 一元线性回归（Simple linear regression）

公式推导：

对于一元线性回归，我们试图学得一个线性函数 ( f(x_i) = w_1x_i + b )，使得 ( f(x_i) ) 与 ( y_i ) 之间的差别尽可能小。均方误差（MSE）常用作性能度量，公式如下：

[ MSE = \frac{1}{n} \sum_{i=1}^{n} (y_i - f(x_i))^2 ]

其中，( n ) 是样本数量，( y_i ) 和 ( f(x_i) ) 分别是实际值和预测值。

代码实现（Python）：

import numpy as np

# 假设数据
X = np.array([1, 2, 3, 4, 5]).reshape(-1, 1)
y = np.array([2, 4, 5, 4, 5])

# 计算斜率和截距
w = np.linalg.inv(X.T @ X) @ X.T @ y
b = w[0]

# 预测
def predict(X):
    return w[0] * X + b

# 预测值
y_pred = predict(X)

# 计算均方误差
mse = np.mean((y - y_pred) ** 2)
print("均方误差：", mse)

1.2 多元线性回归（Multivariate linear regression）

多元线性回归是对一元线性回归的扩展，考虑多个自变量对因变量的影响。

公式推导：

对于多元线性回归，我们试图学得一个线性函数 ( f(x_i) = w1x{i1} + w2x{i2} + \cdots + wnx{in} + b )，其中 ( w ) 是一个 ( n ) 维向量。

代码实现（Python）：

# 假设数据
X = np.array([[1, 2], [2, 3], [3, 4], [4, 5], [5, 6]])
y = np.array([2, 4, 5, 4, 5])

# 计算斜率和截距
w = np.linalg.inv(X.T @ X) @ X.T @ y
b = w[0]

# 预测
def predict(X):
    return w @ X + b

# 预测值
y_pred = predict(X)

# 计算均方误差
mse = np.mean((y - y_pred) ** 2)
print("均方误差：", mse)

1.3 对数线性回归（Log linear regression）

对数线性回归是对线性回归的一种变换，将因变量和自变量取对数后再进行线性回归。

公式推导：

对于对数线性回归，我们试图学得一个线性函数 ( f(x_i) = w1 \ln(x{i1}) + w2 \ln(x{i2}) + \cdots + wn \ln(x{in}) + b )。

代码实现（Python）：

import numpy as np
from scipy.optimize import minimize

# 假设数据
X = np.array([[1, 2], [2, 3], [3, 4], [4, 5], [5, 6]])
y = np.array([2, 4, 5, 4, 5])

# 对数变换
X_log = np.log(X)

# 目标函数
def mse_loss(params):
    w = params
    return np.mean((np.exp(w @ X_log + w[-1]) - y) ** 2)

# 初始参数
initial_params = np.zeros(X_log.shape[1] + 1)

# 最小化目标函数
result = minimize(mse_loss, initial_params)

# 拟合参数
w = result.x[:-1]
b = result.x[-1]

# 预测
def predict(X):
    return np.exp(w @ np.log(X) + b)

# 预测值
y_pred = predict(X)

# 计算均方误差
mse = np.mean((y - y_pred) ** 2)
print("均方误差：", mse)

1.4 对数几率回归（Logistic Regression）

对数几率回归是一种用于分类的线性回归模型，通过计算概率来预测类别。

公式推导：

对于对数几率回归，我们试图学得一个线性函数 ( f(x_i) = w1x{i1} + w2x{i2} + \cdots + wnx{in} + b )，其中 ( w ) 是一个 ( n ) 维向量。

代码实现（Python）：

import numpy as np
from scipy.optimize import minimize

# 假设数据
X = np.array([[1, 2], [2, 3], [3, 4], [4, 5], [5, 6]])
y = np.array([0, 1, 1, 0, 1])

# 目标函数
def log_loss(params):
    w = params
    return -np.sum(y * np.log(1 / (1 + np.exp(w @ X)) + (1 - y) * np.log(np.exp(w @ X))))

# 初始参数
initial_params = np.zeros(X.shape[1])

# 最小化目标函数
result = minimize(log_loss, initial_params)

# 拟合参数
w = result.x

# 预测
def predict(X):
    return 1 / (1 + np.exp(-w @ X))

# 预测值
y_pred = predict(X)

# 计算准确率
accuracy = np.mean(y_pred == y)
print("准确率：", accuracy)

模型二：平行线四大模型

平行线四大模型是几何学中用于判定两条直线是否平行的四种方法。

2.1 同位角相等

如果两条直线被第三条直线所截，同位角相等，则这两条直线平行。

2.2 内错角相等

如果两条直线被第三条直线所截，内错角相等，则这两条直线平行。

2.3 同旁内角互补

如果两条直线被第三条直线所截，同旁内角互补，则这两条直线平行。

2.4 平行公理推论

如果两条直线都与第三条直线平行，则这两条直线也互相平行。

模型三：物理模型

物理模型是物理学中用于描述物理现象的数学模型。

3.1 匀变速直线运动

匀变速直线运动是指物体在直线上做加速度恒定的运动。

3.2 共点力平衡

共点力平衡是指作用于同一物体的多个力的合力为零。

3.3 牛顿运动定律

牛顿运动定律是描述物体运动和力的基本定律。

模型四：数学模型

数学模型是用于描述数学问题的数学结构。

4.1 行程问题

行程问题是指涉及物体运动、距离、速度和时间的数学问题。

4.2 数量关系

数量关系是指变量之间的数学关系，如比例、方程等。

4.3 数学建模

数学建模是将实际问题转化为数学问题的过程。

通过以上图解和步骤详解，相信您已经对四大模型公式有了更深入的了解。在实际应用中，根据不同的问题选择合适的模型，并进行相应的推导和计算，可以帮助您更好地解决实际问题。

-- 展开阅读全文 --