【机器学习】从流动到恒常，无穷中归一：积分的数学诗意

Trouvaille ~2024-12-26 8:36

文章目录

    • 微积分基础：理解变化与累积的数学
    • 前言
    • 一、积分概述与基础概念
      • [1.1 积分的定义与重要性](#1.1 积分的定义与重要性)
        • [1.1.1 积分的基本组成](#1.1.1 积分的基本组成)
        • [1.1.2 积分在机器学习中的应用](#1.1.2 积分在机器学习中的应用)
      • [1.2 积分的历史与发展](#1.2 积分的历史与发展)
    • 二、积分的基本概念与计算
      • [2.1 不定积分](#2.1 不定积分)
        • [2.1.1 不定积分的定义](#2.1.1 不定积分的定义)
        • [2.1.2 不定积分的计算方法](#2.1.2 不定积分的计算方法)
        • [2.1.3 实例：计算不定积分](#2.1.3 实例：计算不定积分)
      • [2.2 定积分](#2.2 定积分)
        • [2.2.1 定积分的定义](#2.2.1 定积分的定义)
        • [2.2.2 定积分的计算方法](#2.2.2 定积分的计算方法)
        • [2.2.3 实例：计算定积分](#2.2.3 实例：计算定积分)
      • [2.3 积分的几何意义](#2.3 积分的几何意义)
    • 三、积分的应用：概率与统计
      • [3.1 概率密度函数的积分](#3.1 概率密度函数的积分)
        • [3.1.1 概率的定义](#3.1.1 概率的定义)
        • [3.1.2 期望值的计算](#3.1.2 期望值的计算)
        • [3.1.3 方差的计算](#3.1.3 方差的计算)
      • [3.2 积分在统计中的其他应用](#3.2 积分在统计中的其他应用)
      • [3.3 实例：计算期望值与方差](#3.3 实例：计算期望值与方差)
    • 四、实战项目：使用Python进行积分计算与可视化
      • [4.1 项目目标](#4.1 项目目标)
        • [4.1.1 项目目标](#4.1.1 项目目标)
        • [4.1.2 Python代码实现](#4.1.2 Python代码实现)
        • [4.1.3 运行结果](#4.1.3 运行结果)
        • [4.1.4 结果解读](#4.1.4 结果解读)
      • [4.2 实战项目：使用Python进行概率分布的期望值计算](#4.2 实战项目：使用Python进行概率分布的期望值计算)
        • [4.2.1 项目目标](#4.2.1 项目目标)
        • [4.2.2 Python代码实现](#4.2.2 Python代码实现)
        • [4.2.3 运行结果](#4.2.3 运行结果)
        • [4.2.4 结果解读](#4.2.4 结果解读)
    • 五、总结与展望

微积分基础：理解变化与累积的数学

💬 欢迎讨论：如果你在阅读过程中有任何疑问或想要进一步探讨的内容，欢迎在评论区留言！我们一起学习、一起成长。

👍 点赞、收藏与分享：如果你觉得这篇文章对你有帮助，记得点赞、收藏并分享给更多想了解机器学习的朋友！

🚀 开启微积分之旅：微积分是理解变化和累积的数学工具，是机器学习中的重要基础。让我们一起深入探索微积分的核心概念，打好数学基础，为后续的机器学习学习做好准备。

前言

在机器学习的学习旅程中，微积分不仅仅是理论的支撑，更是实际应用的关键工具。上一篇文章中，我们探讨了极限与连续性 以及导数的概念与应用 ，特别是在梯度下降法 中的应用。本篇文章将继续深入，重点讲解积分的概念与计算，以及它在机器学习中的实际应用。

如果你已经掌握了微积分的基本概念，接下来的内容将帮助你理解如何通过积分解决实际问题，并在机器学习中灵活运用这些知识。

一、积分概述与基础概念

1.1 积分的定义与重要性

积分是微积分的另一个核心分支，主要研究累积量。与导数描述变化率不同，积分描述的是累积的总和或面积。积分在科学、工程、经济学以及机器学习等领域中有着广泛的应用。

1.1.1 积分的基本组成
  1. 不定积分（Indefinite Integral）：表示函数的原函数，不包含积分常数。
  2. 定积分（Definite Integral）：计算函数在某一区间上的累积量，通常表示为面积。
1.1.2 积分在机器学习中的应用
  • 概率密度函数的积分：用于计算概率分布的累积分布函数（CDF）和期望值。
  • 损失函数的积分：在某些模型中，积分用于定义和优化损失函数。
  • 特征工程：通过积分计算累积特征，提升模型的表现。

1.2 积分的历史与发展

积分的发展与导数密切相关，主要由艾萨克·牛顿（Isaac Newton ）和**戈特弗里德·莱布尼茨（Gottfried Wilhelm Leibniz）**在17世纪共同奠定了微积分的基础。牛顿主要关注物理应用中的积分，而莱布尼茨则发展了积分符号 ∫ \int ∫和微分符号 d d d，使得积分的表示更加简洁和统一。

随着时间的推移，积分理论不断完善，形成了现代数学中的黎曼积分 、勒贝格积分等不同定义，满足不同应用需求。

二、积分的基本概念与计算

2.1 不定积分

不定积分 表示函数的所有原函数，通常包含一个积分常数 C C C。

2.1.1 不定积分的定义

函数 F ( x ) F(x) F(x)是函数 f ( x ) f(x) f(x)的不定积分，如果：
F ′ ( x ) = f ( x ) F'(x) = f(x) F′(x)=f(x)

则记作：
F ( x ) = ∫ f ( x )   d x + C F(x) = \int f(x) \, dx + C F(x)=∫f(x)dx+C

其中， C C C为积分常数。

2.1.2 不定积分的计算方法

  1. 基本积分法则：

    • ∫ c   d x = c x + C \int c \, dx = c x + C ∫cdx=cx+C，其中 c c c为常数。
    • ∫ x n   d x = x n + 1 n + 1 + C \int x^n \, dx = \frac{x^{n+1}}{n+1} + C ∫xndx=n+1xn+1+C，其中 n ≠ − 1 n \neq -1 n=−1。

  2. 积分替换法（Substitution Rule） ：

    适用于复合函数，通过变量替换简化积分过程。

  3. 分部积分法（Integration by Parts） ：

    适用于两个函数的乘积积分，基于导数的乘积规则。

2.1.3 实例：计算不定积分

示例 1 ：计算 ∫ 3 x 2   d x \int 3x^2 \, dx ∫3x2dx

解答 ：

应用幂函数积分法则：
∫ 3 x 2   d x = 3 ⋅ x 3 3 + C = x 3 + C \int 3x^2 \, dx = 3 \cdot \frac{x^{3}}{3} + C = x^3 + C ∫3x2dx=3⋅3x3+C=x3+C

示例 2 ：计算 ∫ e 2 x   d x \int e^{2x} \, dx ∫e2xdx

解答 ：

使用积分替换法：
u = 2 x ⇒ d u = 2   d x ⇒ d x = d u 2 u = 2x \quad \Rightarrow \quad du = 2 \, dx \quad \Rightarrow \quad dx = \frac{du}{2} u=2x⇒du=2dx⇒dx=2du

因此：
∫ e 2 x   d x = ∫ e u ⋅ d u 2 = 1 2 e u + C = 1 2 e 2 x + C \int e^{2x} \, dx = \int e^{u} \cdot \frac{du}{2} = \frac{1}{2} e^{u} + C = \frac{1}{2} e^{2x} + C ∫e2xdx=∫eu⋅2du=21eu+C=21e2x+C

2.2 定积分

定积分计算函数在某一区间上的累积量，通常表示为面积。

2.2.1 定积分的定义

函数 f ( x ) f(x) f(x)在区间 [ a , b ] [a, b] [a,b]上的定积分定义为：
∫ a b f ( x )   d x = F ( b ) − F ( a ) \int_{a}^{b} f(x) \, dx = F(b) - F(a) ∫abf(x)dx=F(b)−F(a)

其中， F ( x ) F(x) F(x)是 f ( x ) f(x) f(x)的任意一个原函数。

2.2.2 定积分的计算方法

  1. 基本积分法则 ：

    直接应用不定积分的结果，计算 F ( b ) − F ( a ) F(b) - F(a) F(b)−F(a)。

  2. 积分替换法 ：

    通过变量替换简化积分计算。

  3. 数值积分法 ：

    适用于无法解析计算的积分，常用的方法包括梯形法 、辛普森法等。

2.2.3 实例：计算定积分

示例 1 ：计算 ∫ 0 2 3 x 2   d x \int_{0}^{2} 3x^2 \, dx ∫023x2dx

解答 ：

首先计算不定积分：
∫ 3 x 2   d x = x 3 + C \int 3x^2 \, dx = x^3 + C ∫3x2dx=x3+C

然后计算定积分：
∫ 0 2 3 x 2   d x = [ x 3 ] 0 2 = 2 3 − 0 3 = 8 − 0 = 8 \int_{0}^{2} 3x^2 \, dx = [x^3]_{0}^{2} = 2^3 - 0^3 = 8 - 0 = 8 ∫023x2dx=[x3]02=23−03=8−0=8

示例 2 ：计算 ∫ 0 1 e 2 x   d x \int_{0}^{1} e^{2x} \, dx ∫01e2xdx

解答 ：

首先计算不定积分：
∫ e 2 x   d x = 1 2 e 2 x + C \int e^{2x} \, dx = \frac{1}{2} e^{2x} + C ∫e2xdx=21e2x+C

然后计算定积分：
∫ 0 1 e 2 x   d x = [ 1 2 e 2 x ] 0 1 = 1 2 e 2 − 1 2 e 0 = e 2 − 1 2 \int_{0}^{1} e^{2x} \, dx = \left[ \frac{1}{2} e^{2x} \right]_{0}^{1} = \frac{1}{2} e^{2} - \frac{1}{2} e^{0} = \frac{e^{2} - 1}{2} ∫01e2xdx=[21e2x]01=21e2−21e0=2e2−1

2.3 积分的几何意义

积分在几何上的主要意义是计算曲线下的面积。对于非负函数 f ( x ) f(x) f(x)，定积分 ∫ a b f ( x )   d x \int_{a}^{b} f(x) \, dx ∫abf(x)dx表示曲线 f ( x ) f(x) f(x)与 x x x轴之间，从 x = a x=a x=a到 x = b x=b x=b的区域面积。

三、积分的应用：概率与统计

3.1 概率密度函数的积分

在概率论中，**概率密度函数（Probability Density Function, PDF）**描述了连续随机变量的分布。积分用于计算随机变量在某一区间内的概率。

3.1.1 概率的定义

对于连续随机变量 X X X，其概率密度函数 f X ( x ) f_X(x) fX(x)满足：
∫ − ∞ ∞ f X ( x )   d x = 1 \int_{-\infty}^{\infty} f_X(x) \, dx = 1 ∫−∞∞fX(x)dx=1

随机变量 X X X在区间 [ a , b ] [a, b] [a,b]内的概率为：
P ( a ≤ X ≤ b ) = ∫ a b f X ( x )   d x P(a \leq X \leq b) = \int_{a}^{b} f_X(x) \, dx P(a≤X≤b)=∫abfX(x)dx

3.1.2 期望值的计算

随机变量 X X X的**期望值（Expected Value）**定义为：
E [ X ] = ∫ − ∞ ∞ x f X ( x )   d x E[X] = \int_{-\infty}^{\infty} x f_X(x) \, dx E[X]=∫−∞∞xfX(x)dx

3.1.3 方差的计算

随机变量 X X X的**方差（Variance）**定义为：
V a r ( X ) = E [ X 2 ] − ( E [ X ] ) 2 = ∫ − ∞ ∞ x 2 f X ( x )   d x − ( ∫ − ∞ ∞ x f X ( x )   d x ) 2 Var(X) = E[X^2] - (E[X])^2 = \int_{-\infty}^{\infty} x^2 f_X(x) \, dx - \left( \int_{-\infty}^{\infty} x f_X(x) \, dx \right)^2 Var(X)=E[X2]−(E[X])2=∫−∞∞x2fX(x)dx−(∫−∞∞xfX(x)dx)2

3.2 积分在统计中的其他应用

  • 累积分布函数（Cumulative Distribution Function, CDF） ：
    F X ( x ) = P ( X ≤ x ) = ∫ − ∞ x f X ( t )   d t F_X(x) = P(X \leq x) = \int_{-\infty}^{x} f_X(t) \, dt FX(x)=P(X≤x)=∫−∞xfX(t)dt

  • 协方差与相关系数 ：

    积分用于计算两个随机变量之间的协方差与相关系数，衡量其线性相关程度。

3.3 实例：计算期望值与方差

示例 1 ：计算均匀分布 U ( 0 , 1 ) U(0,1) U(0,1)的期望值和方差

解答 ：

对于均匀分布 U ( 0 , 1 ) U(0,1) U(0,1)，概率密度函数为：
f X ( x ) = { 1 0 ≤ x ≤ 1 0 其他 f_X(x) = \begin{cases} 1 & 0 \leq x \leq 1 \\ 0 & \text{其他} \end{cases} fX(x)={100≤x≤1其他

期望值：
E [ X ] = ∫ 0 1 x ⋅ 1   d x = [ x 2 2 ] 0 1 = 1 2 E[X] = \int_{0}^{1} x \cdot 1 \, dx = \left[ \frac{x^2}{2} \right]_0^1 = \frac{1}{2} E[X]=∫01x⋅1dx=[2x2]01=21

方差：
E [ X 2 ] = ∫ 0 1 x 2 ⋅ 1   d x = [ x 3 3 ] 0 1 = 1 3 E[X^2] = \int_{0}^{1} x^2 \cdot 1 \, dx = \left[ \frac{x^3}{3} \right]_0^1 = \frac{1}{3} E[X2]=∫01x2⋅1dx=[3x3]01=31
V a r ( X ) = E [ X 2 ] − ( E [ X ] ) 2 = 1 3 − ( 1 2 ) 2 = 1 12 Var(X) = E[X^2] - (E[X])^2 = \frac{1}{3} - \left( \frac{1}{2} \right)^2 = \frac{1}{12} Var(X)=E[X2]−(E[X])2=31−(21)2=121

示例 2 ：计算正态分布 N ( 0 , 1 ) N(0,1) N(0,1)的期望值和方差

解答 ：

对于标准正态分布 N ( 0 , 1 ) N(0,1) N(0,1)，概率密度函数为：
f X ( x ) = 1 2 π e − x 2 2 f_X(x) = \frac{1}{\sqrt{2\pi}} e^{-\frac{x^2}{2}} fX(x)=2π 1e−2x2

期望值：
E [ X ] = ∫ − ∞ ∞ x ⋅ 1 2 π e − x 2 2   d x = 0 E[X] = \int_{-\infty}^{\infty} x \cdot \frac{1}{\sqrt{2\pi}} e^{-\frac{x^2}{2}} \, dx = 0 E[X]=∫−∞∞x⋅2π 1e−2x2dx=0

方差：
E [ X 2 ] = ∫ − ∞ ∞ x 2 ⋅ 1 2 π e − x 2 2   d x = 1 E[X^2] = \int_{-\infty}^{\infty} x^2 \cdot \frac{1}{\sqrt{2\pi}} e^{-\frac{x^2}{2}} \, dx = 1 E[X2]=∫−∞∞x2⋅2π 1e−2x2dx=1
V a r ( X ) = E [ X 2 ] − ( E [ X ] ) 2 = 1 − 0 = 1 Var(X) = E[X^2] - (E[X])^2 = 1 - 0 = 1 Var(X)=E[X2]−(E[X])2=1−0=1

四、实战项目：使用Python进行积分计算与可视化

4.1 项目目标

  • 使用Python计算定积分，验证数学计算结果。
  • 可视化函数与其积分区域，增强直观理解。
  • 探索积分在概率分布中的应用，如计算期望值。
4.1.1 项目目标
  • 计算函数 f ( x ) = x 2 f(x) = x^2 f(x)=x2 在区间 [ 0 , 2 ] [0, 2] [0,2] 上的定积分。
  • 绘制函数曲线和积分区域。
  • 使用Python计算均匀分布 U ( 0 , 1 ) U(0,1) U(0,1)的期望值，验证理论结果。
4.1.2 Python代码实现
python 复制代码 
import numpy as np
import matplotlib.pyplot as plt
from scipy.integrate import quad

# 定义函数 f(x) = x^2
def f(x):
    return x**2

# 计算定积分 ∫0^2 x^2 dx
integral, error = quad(f, 0, 2)
print(f"定积分 ∫0^2 x^2 dx 的结果: {integral:.2f}, 误差估计: {error:.2e}")

# 绘制函数曲线和积分区域
x = np.linspace(0, 2, 400)
y = f(x)

plt.figure(figsize=(8,6))
plt.plot(x, y, 'b', linewidth=2, label='$f(x) = x^2$')
plt.fill_between(x, y, where=(x >= 0) & (x <= 2), color='skyblue', alpha=0.4)
plt.title('函数 $f(x) = x^2$ 与区间 [0, 2] 上的积分区域', fontsize=14)
plt.xlabel('$x$', fontsize=12)
plt.ylabel('$f(x)$', fontsize=12)
plt.legend(fontsize=12)
plt.grid(True)
plt.show()

# 计算均匀分布 U(0,1) 的期望值
def uniform_pdf(x):
    return 1 if 0 <= x <= 1 else 0

expectation, error = quad(lambda x: x * uniform_pdf(x), 0, 1)
print(f"均匀分布 U(0,1) 的期望值: {expectation:.2f}, 误差估计: {error:.2e}")
4.1.3 运行结果
plaintext 复制代码 
定积分 ∫0^2 x^2 dx 的结果: 2.67, 误差估计: 2.96e-14
均匀分布 U(0,1) 的期望值: 0.50, 误差估计: 5.55e-15
4.1.4 结果解读

  1. 定积分结果：

    • 计算 ∫ 0 2 x 2   d x \int_{0}^{2} x^2 \, dx ∫02x2dx 的结果为 2.67 2.67 2.67，与理论值 2 3 3 = 8 3 ≈ 2.67 \frac{2^3}{3} = \frac{8}{3} \approx 2.67 323=38≈2.67相符，误差极小，验证了数值积分的准确性。

  2. 积分区域可视化：

    • 图中蓝色实线表示函数 f ( x ) = x 2 f(x) = x^2 f(x)=x2，浅蓝色区域表示积分区间 [ 0 , 2 ] [0, 2] [0,2]上的积分区域，即曲线下的面积。

  3. 期望值计算：

    • 计算均匀分布 U ( 0 , 1 ) U(0,1) U(0,1)的期望值结果为 0.50 0.50 0.50，与理论值一致，证明了积分在概率计算中的应用。

4.2 实战项目：使用Python进行概率分布的期望值计算

通过实战项目，我们将使用Python计算不同概率分布的期望值，并通过可视化手段理解其意义。

4.2.1 项目目标
  • 计算正态分布 N ( 0 , 1 ) N(0,1) N(0,1)的期望值和方差。
  • 绘制正态分布的概率密度函数（PDF）与期望值。
  • 使用Python验证计算结果。
4.2.2 Python代码实现
python 复制代码 
import numpy as np
import matplotlib.pyplot as plt
from scipy.integrate import quad
from scipy.stats import norm

# 定义标准正态分布的PDF
def normal_pdf(x):
    return (1 / np.sqrt(2 * np.pi)) * np.exp(-0.5 * x**2)

# 计算期望值 E[X] = ∫x * f(x) dx
expectation, error = quad(lambda x: x * normal_pdf(x), -np.inf, np.inf)
print(f"正态分布 N(0,1) 的期望值: {expectation:.2f}, 误差估计: {error:.2e}")

# 计算方差 Var(X) = ∫x^2 * f(x) dx - (E[X])^2
variance, error = quad(lambda x: x**2 * normal_pdf(x), -np.inf, np.inf)
print(f"正态分布 N(0,1) 的方差: {variance:.2f}, 误差估计: {error:.2e}")

# 绘制标准正态分布的PDF
x = np.linspace(-4, 4, 1000)
y = normal_pdf(x)

plt.figure(figsize=(8,6))
plt.plot(x, y, 'b', linewidth=2, label=r'$f(x) = \frac{1}{\sqrt{2\pi}} e^{-\frac{x^2}{2}}$')
plt.axvline(0, color='red', linestyle='--', label='期望值 $E[X] = 0$')
plt.title('标准正态分布的概率密度函数与期望值', fontsize=14)
plt.xlabel('$x$', fontsize=12)
plt.ylabel('$f(x)$', fontsize=12)
plt.legend(fontsize=12)
plt.grid(True)
plt.show()
4.2.3 运行结果
plaintext 复制代码 
正态分布 N(0,1) 的期望值: 0.00, 误差估计: 0.00e+00
正态分布 N(0,1) 的方差: 1.00, 误差估计: 5.27e-09
4.2.4 结果解读

  1. 期望值与方差：

    • 计算正态分布 N ( 0 , 1 ) N(0,1) N(0,1)的期望值结果为 0.00 0.00 0.00，方差为 1.00 1.00 1.00，与理论值完全一致，验证了积分在概率计算中的准确性。

  2. 概率密度函数可视化：

    • 图中蓝色实线表示标准正态分布的PDF，红色虚线标注了期望值 E [ X ] = 0 E[X] = 0 E[X]=0，直观展示了概率分布的对称性和集中趋势。

通过这个实战项目，我们进一步理解了积分在概率分布中的应用，特别是如何计算期望值和方差，为机器学习中的概率模型打下坚实的基础。

五、总结与展望

本篇，我们深入探讨了积分的概念与计算 ，以及它在概率与统计中的重要应用。通过不定积分和定积分的详细讲解，以及具体的Python实战项目，我们不仅掌握了积分的基本理论，还理解了如何在实际问题中应用积分进行计算与分析。

小结：

  • 不定积分帮助我们找到函数的原函数，为定积分的计算奠定基础。
  • 定积分描述了函数在某一区间内的累积量，广泛应用于面积计算和概率统计。
  • 积分在概率与统计中的应用，如计算期望值和方差，是机器学习中理解数据分布的重要工具。

展望 ：

在接下来的博客中，我们将继续深入学习微积分的其他重要概念，如多重积分 、微分方程，并探讨它们在机器学习中的具体应用。通过系统化的学习，你将逐步构建起更加全面的数学知识体系，为后续的机器学习算法与模型的理解与实现打下坚实的基础。希望通过本系列的学习，你能逐步掌握微积分的核心知识，提升在机器学习领域的分析与建模能力。

以上就是关于【机器学习】从流动到恒常，无穷中归一：积分的数学诗意的内容啦，各位大佬有什么问题欢迎在评论区指正，或者私信我也是可以的啦，您的支持是我创作的最大动力！❤️

相关推荐
szxinmai主板定制专家11 分钟前
【NI国产替代】基于国产FPGA+全志T3的全国产16振动+2转速（24bits）高精度终端采集板卡
人工智能·fpga开发
YangJZ_ByteMaster20 分钟前
EndtoEnd Object Detection with Transformers
人工智能·深度学习·目标检测·计算机视觉
Anlici21 分钟前
模型训练与数据分析
人工智能·机器学习
测试杂货铺25 分钟前
UI自动化测试实战实例
自动化测试·软件测试·python·selenium·测试工具·测试用例·pytest
余~~185381628001 小时前
NFC 碰一碰发视频源码搭建技术详解，支持OEM
开发语言·人工智能·python·音视频
-芒果酱-1 小时前
HNUST-数据分析技术课堂实验
数据挖掘·数据分析
苏三有春1 小时前
PyQt实战——使用python提取JSON数据（十）
python·json·pyqt
唔皇万睡万万睡1 小时前
五子棋小游戏设计（Matlab）
人工智能·matlab·游戏程序
allnlei1 小时前
自定义 Celery的logging模块
python·celery
帅逼码农2 小时前
python爬虫代码
开发语言·爬虫·python·安全架构
热门推荐
0119个Web前端交互式3D JavaScript框架和库02ARM学习（31）编译器对overlay方式的支持03玄机平台应急响应—webshell查杀04RAG 实践- Ollama+RagFlow 部署本地知识库05【一文读懂】NTN（非地面网络）技术介绍06(欧拉)openEuler系统添加网卡文件配置流程、(欧拉)openEuler系统手动配置ipv6地址流程、(欧拉)openEuler系统网络管理说明07Ubuntu 20.04使用Livox mid 360 测试 FAST_LIO08组基轨迹建模 GBTM的介绍与实现（Stata 或 R）09Docker 夺命连环 15 问10电赛2024年H题智能小车基于MSPM0G3507主控MCU（利用8路灰度加上MPU6050的解决方式）具体项目报告