关于【matlab解一元二次方程】,如何用Matlab求一元二次方程式解的个数以及解,今天犇涌小编给您分享一下,如果对您有所帮助别忘了关注本站哦。
内容导航:1、matlab解一元二次方程:如何用Matlab求一元二次方程式解的个数以及解2、Python机器学习(五十)NumPy 线性代数1、matlab解一元二次方程:如何用Matlab求一元二次方程式解的个数以及解
我们学习数学经常会遇到一元二次方程式,那么如何用Matlab软件求一元二次方程式解的个数以及各个解的值呢?下面小编给大家分享一下。
工具/材料
Matlab
操作方法
首先打开Matlab软件,点击左上角的New Script按钮,如下图所示
接下来在弹出的界面中给新的脚本文件起一个名字,然后进行保存,如下图所示
接着我们在脚本文件中用input接收三个输入变量,这三个变量是让用户输入的,如下图所示,他们代表方程式中的a,b,c参数
然后我们运用b^2-4ac进行特征值的求解,下面会根据这个特征值来判断解的个数,如下图所示
接着我们运用if语句对特征值进行判断,如下图所示,然后用printf函数输出解的个数
运行脚本文件以后等用户输入了a,b,c的值我们就可以看到这三个值组成的方程式解的个数了,如下图所示
接下来我们在if条件语句中在加上求解的公式,如下图所示
最后运行脚本,输入三个参数,Matlab就可以很快的求出一元二次方程式的解了,如下图所示
声明:本篇经验系酷知网「www.coozhi.com」原创,转载请注明出处。
2、Python机器学习(五十)NumPy 线性代数
NumPy中包含了numpy.linalg模块,提供线性代数运算功能。下表描述了该模块中的一些重要功能。
SN函数描述
1dot()两个数组的点积
2vdot()两个向量的点积
3inner()两个数组的内积
4matmul()两个数组的矩阵乘积
5det()计算矩阵的行列式
6solve()解线性矩阵方程
7inv()求矩阵的乘法逆矩阵
numpy.dot()
numpy.dot()计算两个数组的点积。
示例
import numpy as np a = np.array([[100,200],[23,12]]) b = np.array([[10,20],[12,21]]) dot = np.dot(a,b) #[100 * 10 + 200 * 12, 100 * 20 + 200 * 21] [23*10+12*12, 23*20 + 12*21]print(dot)
输出
[[3400 6200] [ 374 712]]
numpy.vdot()
numpy.dot()计算两个向量的点积。
示例
import numpy as np a = np.array([[100,200],[23,12]]) b = np.array([[10,20],[12,21]]) vdot = np.vdot(a,b) # 100 *10 + 200 * 20 + 23 * 12 + 12 * 21print(vdot)
输出
5528
numpy.inner()
numpy.inner()计算两个数组的内积。这个函数返回一维数组内部元素乘积的和。对于n维数组,它返回元素在最后一个轴上的乘积的和。
示例
import numpy as np a = np.array([1,2,3,4,5,6]) b = np.array([23,23,12,2,1,2]) inner = np.inner(a,b) # 1*23 + 2*23 + 3*12 + 4*2 + 5*1 + 6*2print(inner)
输出
130
numpy.matmul()
numpy.matmul()计算两个数组的矩阵乘积。
示例
import numpy as np a = np.array([[1,2,3],[4,5,6],[7,8,9]]) b = np.array([[23,23,12],[2,1,2],[7,8,9]]) mul = np.matmul(a,b) print(mul)
输出
[[ 48 49 43] [144 145 112] [240 241 181]]
numpy.linalg.det()
numpy.linalg.det()计算矩阵的行列式。
矩阵的行列式可以用对角元素来计算。下面是2×2矩阵的行列式
A BC D
det()计算公式:AD – BC
示例
import numpy as np a = np.array([[1,2],[3,4]]) print(np.linalg.det(a))
输出
-2.0000000000000004
numpy.linalg.solve()
numpy.linalg.solve()解线性矩阵方程。
这个函数用于解线性方程,学过线性代数可知,线性方程可以表示为矩阵。
如下面的方程:
x + y = 20x - y = 10可以表示为3个矩阵的方程:矩阵a:1 11 -1矩阵b:xy矩阵c:2010方程式可以表示为:a x b = c
示例
import numpy as np a = np.array([[1,1],[1,-1]]) c = np.array([[20], [10]]) b = np.linalg.solve(a, c)print(b)
输出
[[15.] [ 5.]]
scipy非线性方程组求解求解线性方程组比较简单,只需要用到一个函数(scipy.linalg.solve)就可以了。比如我们要求以下方程的解,这是一个非齐次线性方程组:
程序代码:
import numpy as npfrom scipy.linalg import solve#输出系数矩阵a=np.array([[3,1,-2],[1,-1,4],[2,0,3]])#值b=np.array([5,-2,2.5])#计算x=solve(a,b)#打印结果print(x)
执行结果:
C:\Anaconda3\python.exe "C:\Program Files\JetBrains\PyCharm 2019.1.1\helpers\pydev\pydevconsole.py" --mode=client --port=59051import sys; print('Python %s on %s' % (sys.version, sys.platform))sys.path.extend(['C:\\app\\PycharmProjects', 'C:/app/PycharmProjects'])Python 3.7.6 (default, Jan 8 2020, 20:23:39) [MSC v.1916 64 bit (AMD64)]Type 'copyright', 'credits' or 'license' for more informationIPython 7.12.0 -- An enhanced Interactive Python. Type '?' for help.PyDev console: using IPython 7.12.0Python 3.7.6 (default, Jan 8 2020, 20:23:39) [MSC v.1916 64 bit (AMD64)] on win32runfile('C:/app/PycharmProjects/ArtificialIntelligence/test.py', wdir='C:/app/PycharmProjects/ArtificialIntelligence')[0.5 4.5 0.5]
简单的方程求解
对2x-4=0的一元一次方程求解
from sympy import *x= symbols('x')print(solve(x*2-4,x))
执行结果:
C:\Anaconda3\python.exe "C:\Program Files\JetBrains\PyCharm 2019.1.1\helpers\pydev\pydevconsole.py" --mode=client --port=59147import sys; print('Python %s on %s' % (sys.version, sys.platform))sys.path.extend(['C:\\app\\PycharmProjects', 'C:/app/PycharmProjects'])Python 3.7.6 (default, Jan 8 2020, 20:23:39) [MSC v.1916 64 bit (AMD64)]Type 'copyright', 'credits' or 'license' for more informationIPython 7.12.0 -- An enhanced Interactive Python. Type '?' for help.PyDev console: using IPython 7.12.0Python 3.7.6 (default, Jan 8 2020, 20:23:39) [MSC v.1916 64 bit (AMD64)] on win32runfile('C:/app/PycharmProjects/ArtificialIntelligence/test.py', wdir='C:/app/PycharmProjects/ArtificialIntelligence')[2]
需要说明的是:solve:第一个参数为要解的方程,要求右端等于0,第二个参数为要解的未知数。还有一些 其他的参数,想了解的可以去看官方文档。
二元一次方程方程的求解
求解方程:
from sympy import *x,y= symbols('x,y')print(solve([2*x-y-3,3*x+y-7],[x,y]))
执行结果:
C:\Anaconda3\python.exe "C:\Program Files\JetBrains\PyCharm 2019.1.1\helpers\pydev\pydevconsole.py" --mode=client --port=59201import sys; print('Python %s on %s' % (sys.version, sys.platform))sys.path.extend(['C:\\app\\PycharmProjects', 'C:/app/PycharmProjects'])Python 3.7.6 (default, Jan 8 2020, 20:23:39) [MSC v.1916 64 bit (AMD64)]Type 'copyright', 'credits' or 'license' for more informationIPython 7.12.0 -- An enhanced Interactive Python. Type '?' for help.PyDev console: using IPython 7.12.0Python 3.7.6 (default, Jan 8 2020, 20:23:39) [MSC v.1916 64 bit (AMD64)] on win32runfile('C:/app/PycharmProjects/ArtificialIntelligence/test.py', wdir='C:/app/PycharmProjects/ArtificialIntelligence'){x: 2, y: 1}
一元二次方程的求解求解:
from sympy import *x= symbols('x')print(solve(x**2+2*x+1,x))
执行结果:
[-1][Finished in 1.0s]
求解八元一次方程
from sympy import *a1,b1,c1,d1,a2,b2,c2,d2=symbols('a1,b1,c1,d1,a2,b2,c2,d2')x0,x1,x2,y0,y1,y2=symbols('x0,x1,x2,y0,y1,y2')result=solve([a1+b1*x0+c1*x0*x0+d1*x0*x0*x0-y0, a1+b1*x1+c1*x1*x1+d1*x1*x1*x1-y1, a2+b2*x1+c2*x1*x1+d2*x1*x1*x1-y1, a2+b2*x2+c2*x2*x2+d2*x2*x2*x2-y2, b1+2*c1*x1+3*d1*x1*x1-b2-2*c2*x1-3*d2*x1*x1, c1+3*d1*x1-c2-3*d2*x1, c1+3*d1*x0, c2+3*d2*x2],[a1,b1,c1,d1,a2,b2,c2,d2])#设置参数cs=[(x0,6),(x1,9),(x2,12),(y0,0),(y1,3),(y2,0)]# print(result[a1])# print(result[b1])# print(result[c1])# print(result[d1])# print(result[a2])# print(result[b2])# print(result[c2])# print(result[d2])a1=result[a1].subs(cs)b1=result[b1].subs(cs)c1=result[c1].subs(cs)d1=result[d1].subs(cs)a2=result[a2].subs(cs)b2=result[b2].subs(cs)c2=result[c2].subs(cs)d2=result[d2].subs(cs)print(a1)print(b1)print(c1)print(d1)print(a2)print(b2)print(c2)print(d2)
执行结果
C:\Anaconda3\python.exe "C:\Program Files\JetBrains\PyCharm 2019.1.1\helpers\pydev\pydevconsole.py" --mode=client --port=59277import sys; print('Python %s on %s' % (sys.version, sys.platform))sys.path.extend(['C:\\app\\PycharmProjects', 'C:/app/PycharmProjects'])Python 3.7.6 (default, Jan 8 2020, 20:23:39) [MSC v.1916 64 bit (AMD64)]Type 'copyright', 'credits' or 'license' for more informationIPython 7.12.0 -- An enhanced Interactive Python. Type '?' for help.PyDev console: using IPython 7.12.0Python 3.7.6 (default, Jan 8 2020, 20:23:39) [MSC v.1916 64 bit (AMD64)] on win32runfile('C:/app/PycharmProjects/ArtificialIntelligence/test.py', wdir='C:/app/PycharmProjects/ArtificialIntelligence')3-9/21-1/18-7845/2-21/18
Python求解各种复杂的线性/非线性方程组本文将要介绍几种方法去求解各种复杂的方程组,包括实数域和复数域的线性、非线性方程组,并对比这几种方法的优缺点。本文用到了numpy、scipy、sympy这三个科学计算包。
一、线性方程组。
线性方程组可以用numpy去求解。1.实数域。
import numpy as npa=np.mat('1,2,3;2,4,8;9,6,3')b=np.mat('1;1;3')c=np.linalg.solve(a,b)
输出如下:
2.复数域。
import numpy as npa=np.mat('1,-1j;1j,-1')b=np.mat('1;1')c=np.linalg.solve(a,b)
输出如下:
回到顶部
二、非线性方程组。
scipy和sympy不但可以解线性方程(组),还可以求解非线性方程(组),但是也有各自的优缺点。
1.scipy求解scipy.optimize里面有两个函数可以数值求解方程组,分别是root和solve,这两个函数会找到方程组的一个近似解。下面通过例子介绍这两个函数的使用。
(1).rootscipy.optimize.root(fun, x0, args=(), method=‘hybr’, jac=None, tol=None, callback=None, options=None)其中参数fun是一个函数,你需要定义这个函数,并且你定义的这个函数返回一个方程组。 参数x0是方程组解的初始猜测值,是必须要指定的参数,root函数将找到最靠近x0的一个解。参数args是函数fun的额外参数。参数method默认是‘hybr’,此参数还可以取 ‘lm’ ‘broyden1’ ‘broyden2’ ‘anderson’ ‘linearmixing’ ‘diagbroyden’ ‘excitingmixing’ ‘krylov’ ‘df-sane’,代表采用不同的算法去求解。参数tol可以认为是精度。
先来看看实数域的例子
from scipy.optimize import rootdef f1(x):return [x[0]+x[0]*x[1]-2,x[0]-x[1]-2]print(root(f1,[0,-1]).x)#初始猜测值[0,-1]print(root(f1,[0,0]).x)#初始猜测值[0,0]
输出如下:
求出的近似解与真解相差非常小。设置不同的初始猜测值可能得到不同的解,这是因为有的方程组的解不一定只有一个,可能有多个解,root函数会得到最接近初始猜测值的一个解。
此外,在上面的基础上我们可以设置参数jac来提高运算速度(尤其是计算量很大时效果很明显)。我们需要再定义一个函数,这个函数返回值是方程组对应的雅可比矩阵,通过下面的例子说明。
from numpy import array,mat,sin,cos,expfrom scipy.optimize import rootdef f(x):eqs=[]eqs.append(x[0]*x[1]+x[1]*x[2]+sin(x[0])*exp(x[1])+x[1])eqs.append(x[0]*x[1]-exp(x[0])*x[1]+1)eqs.append(x[1]*x[2]+exp(x[1])*x[2]+1) return eqsdef jac1(x):#方程组对应的雅可比矩阵return mat([[x[1]+cos(x[0])*exp(x[1]), x[0]+x[2]+sin(x[0])*exp(x[1])+1, x[1]],[x[1]-exp(x[0])*x[1], x[0]-exp(x[0]), 0],[0 ,x[2]+exp(x[1])*x[2], x[1]+exp(x[1])]])print(root(f,[0,0,0]).x)print(root(f,[0,0,0],jac=jac1).x)#加上参数jac加快运算速度
输出如下:
再来看一个复数域的例子
如果不设置参数method,它默认是‘hybr’,即用改进的Powell hybrid算法求解,它不适用于复数域。此时我们不能再用上面的办法,我们可以设置参数method=‘krylov’ (此算法牺牲精度换取速度,有利有弊)
from scipy.optimize import rootdef f1(x):return [x[0]*(1j)+x[0]*x[1]+1,x[0]+x[1]-1j]print(root(f1,[1,1],method='krylov').x)print(root(f1,[1,1],method='krylov',tol=1e-10).x)#设置能够允许的误差为10的-10次方
输出如下:
第一行输出没有设置参数tol,得到的解与真解的差别还是有一点的。第二行输出我们设置了参数tol是10的-10次方,得到的解与真解的差别就相当小了。另外method参数也可以设为别的,解复数域的非线性方程组建议用method=‘krylov’,它不需要雅可比矩阵,它在处理很庞大、变量很多的方程组时比较好用。
(2).fslovefsolve的用法和root很类似,但是它的功能不如root全面,fsolve其实就是用hybr算法求解, 因此它不能解复数域的方程组。下图可以看出fsolve和root的差别:
可见,fsolve只是root的一小部分。
scipy.optimize.fsolve(func, x0, args=(), fprime=None, full_output=0, col_deriv=0, xtol=1.49012e-08, maxfev=0, band=None, epsfcn=None, factor=100, diag=None)(其中参数fprime对应雅可比矩阵,其余参数和root函数基本一样。)
from scipy.optimize import fsolvefrom numpy import array,matdef f1(x):return [x[0]+x[0]*x[1]-2,x[0]-x[1]-2]def jac1(x):#方程组对应的雅可比矩阵return mat([[1+x[1],x[0]],[1,-1]])print(fsolve(f1,[0,-1]))#初始猜测值[0,-1]print(fsolve(f1,[0,-1],fprime=jac1))#初始猜测值[0,-1],并设置参数primeprint(fsolve(f1,[0,0]))#初始猜测值[0,0]print(fsolve(f1,[0,0],fprime=jac1))#初始猜测值[0,0],并设置参数prime
2.sympy求解sympy中的solve函数可以严格求解某些方程组,nsolve可以数值求近似解。(1).solve直接看一个复数域的例子:
from sympy import symbols,Eq,solvex0,x1=symbols('x0 x1')eqs=[Eq(x0*(1j)+x0*x1,-5),Eq(x0+x1,1j)]print(solve(eqs,[x0,x1]))
输出如下:
solve函数就会找到所有的解。但是像超越方程之类的不存在求根公式的方程,solve函数是不能求解的,只能数值求解,要用nsolve函数。(2).nsolvensolve函数需要指定一个初始猜测解。
from sympy import symbols,Eq,nsolvex0,x1=symbols('x0 x1')eqs=[Eq(x0*(1j)+x0*x1,-5),Eq(x0+x1,1j)]print(nsolve(eqs,[x0,x1],[1,1]))#初始猜测解设为[1,1]
输出如下:
nsolve有时候并不是很好使,初始猜测解设的不好,它有可能找不到解。
三、scipy和sympy的优缺点分析。1.scipy.optimize.root求解方程组速度很快,尤其是加上参数jac或参数method='krylov’时,求解大型方程组速度会很明显的比其它办法快,即使是1000个变量的方程组,它也能很快解完。但是有的方程组有多解(比如二次方程有俩根),而scipy.optimize.root只能得到靠近初始猜测值的那个解。2.对一些形式比较简单的、有求根公式的方程,sympy.solve虽然能得到它所有的严格解,但是当方程组变量较多时,它求起来会很慢。而且对于不存在求根公式的复杂方程,sympy.solve是求不了的,这时要用sympy.nsolve的求数值解,速度也比scipy.optimize.root慢很多。
四、总结1.线性方程组用numpy.linalg.solve足矣。(实数域复数域都可以)2.求解非线性方程组,如果存在求根公式的且未知量数目较少的方程组,可以用sympy求。如果是很庞大且形式较复杂的方程组,用scipy.optimize.root数值求解,最好写出雅可比矩阵以提高运算速度。(如果你懒得写雅可比矩阵,就设置参数method=‘krylov’,解起来速度也很快,只不过精度不高)。
最后展示一段代码,测试一下scipy.optimize.root的求解速度,这里是求解含有400个未知量的非线性方程组,解20次,耗时2秒。
from numpy import array,arange,sin,cos,sqrt,exp,pi,meshgrid,dtype,linalg,zerosfrom scipy.optimize import root,fsolvefrom matplotlib.pyplot import figure,xlabel,ylabel,show,textfrom mpl_toolkits.mplot3d import Axes3Dfrom time import timedef run(m,n,marker=None):v=1L,T=pi,1h,tao=L/m,T/nmlist=arange(0,m+1)nlist=arange(0,n+1)f=lambda x,t:exp(-2*t)*sin(x)*cos(x)phi=lambda x:sin(x)realsolve=lambda x,t:exp(-t)*sin(x)mysolves=[phi(mlist*h)]def u(x,ii,j):if j==1:return x[ii]elif j==1/2:return (x[ii]+x_former[ii])/2elif j==0:return x_former[ii]else:print("error")def jac(x):#雅可比矩阵a=zeros((m+1,m+1))a[0][0]=1a[-1][-1]=1for i in range(1,m):a[i][i-1]=1/6/h*((x[i+1]+x_former[i+1])/2-(x[i-1]+x_former[i-1])/2-((x[i-1]+x_former[i-1])/2+(x[i]+x_former[i])/2+(x[i+1]+x_former[i+1])/2))-v/(2*h*h)a[i][i]=1/tao+1/6/h*((x[i+1]+x_former[i+1])/2-(x[i-1]+x_former[i-1])/2)+v/(h*h)a[i][i+1]=1/6/h*((x[i+1]+x_former[i+1])/2-(x[i-1]+x_former[i-1])/2+((x[i-1]+x_former[i-1])/2+(x[i]+x_former[i])/2+(x[i+1]+x_former[i+1])/2))-v/(2*h*h)return adef eqsgroup(x):eqs=[x[0]]for i in range(1,m):eqs.append(1/tao*(u(x,i,1)-u(x,i,0))+1/(6*h)*(u(x,i-1,1/2)+u(x,i,1/2)+u(x,i+1,1/2))*(u(x,i+1,1/2)-u(x,i-1,1/2))-v/h/h*(u(x,i-1,1/2)-2*u(x,i,1/2)+u(x,i+1,1/2))-f(i*h,k*tao) )#eqs.append(x[m])return array(eqs)x_former=phi(mlist*h)start=time()for k in arange(0,n):#x_former=fsolve(eqsgroup,x_former,fprime=jac)x_former=root(eqsgroup,x_former,jac=jac).xmysolves.append(list(x_former))print('scipy计算时间为',time()-start,'秒')x,y=mlist*h,nlist*taox,y=meshgrid(x, y)z=array(mysolves,dtype=dtype('float32'))z2=array(realsolve(x,y))dz=z-z2ekmax=array(linalg.norm(dz,axis=1)*sqrt(h)).max()fig = figure(figsize=(15, 10),dpi=80)axes3d = Axes3D(fig)axes3d.set_title(r'$h=\pi/$'+str(m)+r' $\tau=1/$'+str(n),color = 'black',size = 30) axes3d.plot_surface(x,y,z)axes3d.plot_surface(x,y,z2)xlabel('x',color = 'black',size = 30)ylabel('t',color = 'black',size = 30)axes3d.set_xlim(0,pi)axes3d.set_xticks([0,pi/4,pi/2,0.75*pi,pi])axes3d.set_xticklabels([0, r'$\frac{\pi}{4}$', r'$\frac{\pi}{2}$', r'$\frac{3\pi}{4}$', r'$\pi$'],size=20)axes3d.set_zlabel(r'$U(x,t)$',color = 'black',size=30)axes3d.set_zticks(arange(0,1,0.1))axes3d.set_zticklabels([0, 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9],size=13)show()run(400,20)
如果用sympy去解,等很久都解不出。scipy解非线性方程组的能力不比matlab差。
矩阵的特征值和特征向量
1
2
3
4
5
6
import numpy as np
A = np.array([[3,-1],[-1,3]])
print('打印A:\n{}'.format(A))
a, b = np.linalg.eig(A)
print('打印特征值a:\n{}'.format(a))
print('打印特征向量b:\n{}'.format(b))
执行结果:
C:\Anaconda3\python.exe "C:\Program Files\JetBrains\PyCharm 2019.1.1\helpers\pydev\pydevconsole.py" --mode=client --port=54930import sys; print('Python %s on %s' % (sys.version, sys.platform))sys.path.extend(['C:\\app\\PycharmProjects', 'C:/app/PycharmProjects'])Python 3.7.6 (default, Jan 8 2020, 20:23:39) [MSC v.1916 64 bit (AMD64)]Type 'copyright', 'credits' or 'license' for more informationIPython 7.12.0 -- An enhanced Interactive Python. Type '?' for help.PyDev console: using IPython 7.12.0Python 3.7.6 (default, Jan 8 2020, 20:23:39) [MSC v.1916 64 bit (AMD64)] on win32runfile('C:/app/PycharmProjects/ArtificialIntelligence/test.py', wdir='C:/app/PycharmProjects/ArtificialIntelligence')打印A:[[ 3 -1] [-1 3]]打印特征值a:[4. 2.]打印特征向量b:[[ 0.70710678 0.70710678] [-0.70710678 0.70710678]]
一 要点
假定AX=b,求解未知矩阵X 【线性代数中常遇到的运算问题】矩阵转置A^(T)矩阵的逆A^(-1)矩阵行列式的值|A|矩阵的秩 rank(A)矩阵的迹 trace(A)其它单位矩阵0向量/矩阵...二 示例应用
2.1 求解AX=b中的未知参数矩阵X
import numpy as np# Hypothsis : A*X = bA = [[2,1,2], [3,1,0], [1,1,-1]];b = np.transpose([-3,5,-2])# 转置#[or] b = np.transpose(np.array([-3,5,-2]))# 转置# 求解未知参数矩阵XX = np.linalg.solve(A,b) # 方式一:直接使用numpy的solve函数一键求解#A_inv=np.linalg.inv(A) # 方式二:先求逆运算,再点积求值#X=np.dot(A_inv,b) # a.dot(b) 与 np.dot(a,b) 效果相同;but np.dot(a,b)与np.dot(b,a)效果肯定是不同的(线性代数/矩阵常识)print("方程组的解:\n",X);# [output]方程组的解: [ 4.4 -8.2 -1.8]
2.2 利用最小二乘法拟合函数模型
给出一组数据【5对(Xi,Yi)参数】,用最小二乘法,求形如:f(x)=a+b*x^3的经验公式。
原方程(模型)f(x)=a+bx3f(x)=a+bx3
其法方程ATA(ab)=ATyATA(ab)=ATy
即
(ab)=(ATA)−1ATy(ab)=(ATA)−1ATy
import numpy as npimport matplotlib.pyplot as plt # Python 绘图工具(业界推荐)# 数据初始化A = [ [1,pow(-3,3)], [1,pow(-2,3)], [1,pow(-1,3)], [1,pow(2,3)], [1,pow(4,3)]];At = np.transpose(A); # A的转置矩阵y = np.transpose([14.3,8.3,4.7,8.3,22.7]);# step1:求解## 令 (a ,b)^T 为 未知参数XX = np.dot(np.dot(np.linalg.inv(np.dot(At,A)),At),y)print(X)print("a:",X[0])print("b:",X[1])# step2:查看拟合效果x = [-3,-2,-1,2,4];## 1. 计算拟合数值 fitValuedef fitValue(arg_x): a = X[0]; b = X[1]; return a + b*pow(arg_x,3);fitValues = np.zeros([5]); # 创建长为5的【一维】数组;[1,5]:创建第1行为5个元素的【二维】数组 for i in range(0,len(fitValues)): fitValues[i] = fitValue(x[i]); print(i,":","x(i):",x[i],"fit Y:",fitValues[i]); # just for test pass;## 2. 绘图可视化yt = np.transpose(y); # y的转置plt.rcParams['figure.dpi'] = 100 #分辨率plt.scatter(x, yt, marker = '*',color = 'red', s = 10 ,label = 'Actual Dataset') # 真实数据集plt.scatter(x, fitValues, marker = 'x',color = 'green', s = 10 ,label = 'Fitting Dataset') #[拟合数据集]plt.legend(loc = 'best') # 设置 图例所在的位置 使用推荐位置plt.show() # [output][ 10.67505325 0.13679816]a: 10.6750532504b: 0.1367981596660 : x(i): -3 fit Y: 6.981502939421 : x(i): -2 fit Y: 9.580667973082 : x(i): -1 fit Y: 10.53825509073 : x(i): 2 fit Y: 11.76943852774 : x(i): 4 fit Y: 19.430135469
2.3 数组创建/初始化
numpy.linspace(start, stop[, num=50[, endpoint=True[, retstep=False[, dtype=None]]]]])一维等差数列return 在指定范围内的均匀间隔的数字(组成的数组),也即返回一个等差数列参数start - 起始点stop - 结束点num - 元素个数,默认为50,endpoint - 是否包含stop数值,默认为True,包含stop值;若为False,则不包含stop值retstep - 返回值形式,默认为False,返回等差数列组,若为True,则返回结果(array([samples, step])),dtype - 返回结果的数据类型,默认无,若无,则参考输入数据类型。import numpy as npa = np.linspace(1,10,5,endpoint= True)print(a) # [ 1. 3.25 5.5 7.75 10. ]b = np.linspace(1,10,5,endpoint= False)print(b) #[1. 2.8 4.6 6.4 8.2]c = np.linspace(1,10,5,retstep = False)print(c) # [ 1. 3.25 5.5 7.75 10. ]d = np.linspace(1,10,5,retstep = True)print(d) # (array([ 1. , 3.25, 5.5 , 7.75, 10. ]), 2.25)
2.4 线性代数常用运算
print("原矩阵A:\n",A);print("原矩阵b:\n",b);print("转置矩阵A^T:\n",np.transpose(A)); # 转置print("矩阵的行列式值|A|:\n",np.linalg.det(A)); # 方阵的行列式值:|A|print("矩阵的迹trace(A):\n",np.trace(A)); print("矩阵的秩rank(A):\n",np.linalg.matrix_rank(A)); print("逆矩阵A^(-1):\n",np.linalg.inv(A)); #矩阵的逆运算(条件:矩阵A可逆(行列式值不为0)| 矩阵A为方阵)print("*"*30); # 分隔线print("N阶单位矩阵:\n",np.eye(4));print(np.zeros([5])); # 创建长为5的【一维】数组;[1,5]:创建第1行为5个元素的【二维】数组 # 创建指定的初始化数组print(np.array([1])) # 生成 第1行含值为1的元素的【一维】数组print(np.array([[56]])) # 生成 第1行含值为56的元素的【二维】数组np.full((3,5),3.14) # 创建一个3x5的浮点型数组,数组的值都是3.14# [output]原矩阵A: [[2, 1, 2], [3, 1, 0], [1, 1, -1]]原矩阵b: [-3 5 -2]转置矩阵A^T: [[ 2 3 1] [ 1 1 1] [ 2 0 -1]]矩阵的行列式值|A|: 5.0矩阵的迹trace(A): 2矩阵的秩rank(A): 3逆矩阵A^(-1): [[-0.2 0.6 -0.4] [ 0.6 -0.8 1.2] [ 0.4 -0.2 -0.2]]**********************N阶单位矩阵: [[ 1. 0. 0. 0.] [ 0. 1. 0. 0.] [ 0. 0. 1. 0.] [ 0. 0. 0. 1.]][ 0. 0. 0. 0. 0.][1][[56]]
本文关键词:matlab解一元二次方程报错,matlab解一元二次方程,matlab解一元二次方程最大值,matlab解一元二次方程的根,matlab解一元二次方程组 带变量。这就是关于《matlab解一元二次方程,如何用Matlab求一元二次方程式解的个数以及解(Python机器学习)》的所有内容,希望对您能有所帮助!