Qurak

Linear algebra matrix computations least squares solutions

ట్యుటోరియల్ 11 దశలు, ఒకే సెషన్‌లో క్రమంగా నడుస్తాయి. ప్రతి దశా ఇంజిన్‌పై అమలు చేయబడింది, కింది అవుట్‌పుట్ అది ఇచ్చినదే.

దశ 1
A = {{1., 2.}, {5., 6.}, {4.5, 6.}};
B = {5., 6., 8.};
LinearSolve[A, B]
అవుట్‌పుట్
LinearSolve[{{1., 2.}, {5., 6.}, {4.5, 6.}}, {5., 6., 8.}]
దశ 2
A = {{1., 2.}, {2., 4.}, {3., 6.}};
B = {5., 6., 8.};
MatrixRank[A]
అవుట్‌పుట్
1
దశ 3
X = PseudoInverse[A].B
అవుట్‌పుట్
{0.5857142857142857, 1.1714285714285715}
దశ 4
A.X
అవుట్‌పుట్
{2.928571428571429, 5.857142857142858, 8.785714285714285}
దశ 5
data = {{0.2, 4.59}, {0.4, 5.05}, {0.6, 6.2}, {0.8, 6.6}, {1., 7.4}};

అవుట్‌పుట్ లేదు - ఈ దశ తదుపరి దానికి ఏదో సిద్ధం చేస్తుంది.

దశ 6
plot1 = ListPlot[ data, PlotStyle -> PointSize[0.02]]
అవుట్‌పుట్
-Graphics-
దశ 7
xData = data[[All, 1]];
yData = data[[All, 2]];

అవుట్‌పుట్ లేదు - ఈ దశ తదుపరి దానికి ఏదో సిద్ధం చేస్తుంది.

దశ 8
mat = Transpose[ {Table[1, {Length[xData]}], xData}];
mat//MatrixForm
అవుట్‌పుట్
MatrixForm[{{1, 0.2}, {1, 0.4}, {1, 0.6}, {1, 0.8}, {1, 1.}}]
దశ 9
PseudoInverse[mat].yData
అవుట్‌పుట్
{3.8170000000000015, 3.585}
దశ 10
sol = FindFit[data, α + β x, {α, β}, x]
అవుట్‌పుట్
{α -> 3.8169999997513093, β -> 3.5849999944044773}
దశ 11
Plot[ (α + β x) /. sol, {x, 0, 1}, Epilog -> First[plot1]]
అవుట్‌పుట్
-Graphics-

వాడిన ఫంక్షన్లు

సంబంధిత రెసిపీలు

అన్ని రెసిపీలు · ఫంక్షన్ రిఫరెన్స్ · దీన్ని MCP క్లయింట్ నుండి వాడండి