人工智能新手入门——高数篇(泰勒展开公式)

泰克展开公式:

一听这么名字就感觉有点肝颤,至少我是这样的。泰勒公式主要的作用就是把一个特别复杂的函数化简,近似的求其值,归根结底他的作用就是近似函数来用的,以简单熟悉的多项式去尽量代替复杂的函数公式。

北风

一次逼近:

接下来我们一点一点的引入来了解这个公式:

CBDmax

图中给出了一个函数 f(x) = cosx 这个函数图像,我们来试着先逼近 f(x) = cosx ,在图中有一个褐色的横线就是要表达逼近 f(x) = cosx 函数线的公式,在这里我们先看到有一个微分近似计算公式来代替 cosx 。 

首先我们来看一下这个公式:f(x)\approx f(x_{0})+{f}'(x_{0})(x-x_{0}) ,他就是用来近似 f(x) = cosx的计算公式,这个表达式是微分表达式,在这里不做过多介绍,只需要了解他是通过微分的方式推导出来的公式就可以了。因为近似表达所以用了≈ 符号。

在这里我们想要逼近的是 x_{0} ,他在这个函数中的值是0,我们来直接代入内个微分公式直接就可以得出他的线性逼近,得出一下结果:f(x)\approx f(0)+{f}'(0)x\approx 1 。

二次逼近:

CDBmax

在这个图中介绍了二次逼近,首先列出了一个二次的多项式,用这个多项式来逼近f(x)=cosx 

我们分别对其求导,一个x都没有的就用0阶导,一个x并且平方是1的用一阶导,x平方是2的用二阶导,最后通过求导一次计算出a的系数,然后把公式化简就得出了 f(x) = cosx 的二次逼近。

在这两个图中有没有发现这个二次逼近和一次逼近很相似。没错,二次逼近其实就是比一次逼近多了一个a_{2}x^{2}项,其实一次逼近里面的f(x) 就是二次逼近里面内个 a 。在这里我们看出二次逼近有了这个 a_{2}x^{2} 咱们逼近函数能拐弯了,能更好的拟合这个函数。

在一次逼近的时候是这个样子 f(x)\approx f(0)+{f}'(0)x ,二次逼近的时候他长成这样 p^{_{2}}(x)=a_{0}+a_{1}x+a_{2}x^{2}然后分别求导后化简变成这样 :p^{_{2}}(x)=1-\tfrac{x^{2}}{2},不过他们推导过程的公式是非常像的 p^{_{2}}(x)=a_{0}+(a_{1}x){}'+(a_{2}x^{2}){}''。由此我们看出几次逼近就是分别对应项数求几次导,然后化简得出的函数就可以非常的接近我们的原函数,当然对于这个函数导的越多才能越接近:

北风

这个是八次逼近,其实也可以更多次,次数越多逼得越近。。。

但是这样就满足了吗? 不!!还要逼得更近,这就需要用到误差项的概念:

北风

上图中蓝框框内给出了两个公式 f(x) 是原函数,P_{n}(x) 是多项式,对他分别求导可以逼近 f(x) ,R_{n}(x) 他就是误差项,他等于 f(x)-P_{n}(x) 。为了更好地理解误差项和逼近这个函数,我们要在理解下他的概念和条件:

在图中我们一一列出了条件(他们必须都在同一区间):

1.  0阶导的时候也就是常数项,两个函数之间必须有交点,这个很简单

2.  1阶导我们还记得1阶导可以计算函数的单调性,这里用一阶导来让两个函数单调性相同

3.  2阶导在引进来之后,这个函数即使是曲线的,也可以大概逼近了,因为二阶导可以计算函数的凹凸性

4.  导次越多,近似程度就越好。

所以我们的多项式要满足下面这些条件:

CBDmax

在这张图已经给出了条件,一个是函数与逼近的内个多项式,他们两个的各个导数相等,然后原函数必须具有(n+1)阶导数这样才能有逼近效果。然后我们再把误差项的概念导入进来:

在这两个图中我们给出了误差项的推导公式,他与前一项的高阶导又多了一阶,不同的是他的分子上的参数不是x0了,而是 \xi ,他在x0和x之间取值。。然后我们再把公式化简:

这些理论知识就基本已经BB完了,接下来我们看个例子:

 

猜你喜欢

转载自blog.csdn.net/qq_42452134/article/details/83095736
今日推荐