Markdown之機器學習中的特殊符號
阿新 • • 發佈：2021-01-31
技術標籤：MachineLearningmarkdown機器學習數學
常用數學符號
| 數學符號 | markdown中的表述 | 描述 |
|---|---|---|
| ∑ \sum ∑ | $$\sum$$ | 求和 |
| ∑ i = 0 n \sum_{i=0}^n i=0∑n | $$\sum_{i=0}^n$$ | 求連續和 |
| ∏ \prod ∏ | $$\prod$$ | 求積 |
| ∏ i = 1 n \prod_{i=1}^n i=1∏n | $$\prod_{i=1}^n$$ | 求連續積 |
| ∇ \nabla ∇ | $$\nabla$$ | 梯度 |
|
y
^
\hat{y}
| $$\hat{y}$$ | 預測值 |
| X i ( a ) X^{(a)}_i Xi(a) | $$X^{(a)}_i$$ | 樣本a 的第 i 個特徵 |
| x s c a l e = x − x m i n x m a x − x m i n x_{scale}=\frac{x - x_{min}}{x_{max} - x_{min}} xscale=xmax−xminx−xmin | $$x_{scale}=\frac{x - x_{min}}{x_{max} - x_{min}}$$ | 最值歸一化 |
|
∑
i
=
0
n
(
X
i
(
a
)
−
X
i
(
b
)
)
2
\sqrt{\sum_{i=0}^n(X^{(a)}_i - X^{(b)}_i)^2}
| $$\sqrt{\sum_{i=0}^n(X^{(a)}_i - X^{(b)}_i)^2}$$ | 歐氏距離 |
| α \alpha α | $$\alpha$$ | 搜狗輸入法：alpha-α |
| β \beta β | $$\beta$$ | 搜狗輸入法：beta-β |
| γ \gamma γ | $$\gamma$$ | 搜狗輸入法：gamma-γ |
| δ \delta δ | $$\delta$$ | 搜狗輸入法：delta-δ |
| ε \varepsilon ε | $$\varepsilon$$ | |
| η \eta η | $$\eta$$ | 搜狗輸入法：eta-η |
| θ \theta θ | $$\theta$$ | 搜狗輸入法：theta-θ |
| μ \mu μ | $$\mu$$ | 搜狗輸入法：miu-μ |
| X ‾ \overline{X} X | $$\overline{a}$$ | 均值 |
矩陣的表示
X b = ( 1 X 1 ( 1 ) ⋯ X n ( 1 ) 1 X 1 ( 2 ) ⋯ X 1 ( 2 ) ⋮ ⋮ ⋱ ⋮ 1 X 1 ( m ) ⋯ X 1 ( m ) ) X_b= \left ( \begin{matrix} 1 & X_1^{(1)} & \cdots & X_n^{(1)} \\ 1 & X_1^{(2)} & \cdots & X_1^{(2)} \\ \vdots & \vdots & \ddots & \vdots \\ 1 & X_1^{(m)} & \cdots & X_1^{(m)} \\ \end{matrix} \right) Xb=⎝⎜⎜⎜⎜⎛11⋮1X1(1)X1(2)⋮X1(m)⋯⋯⋱⋯Xn(1)X1(2)⋮X1(m)⎠⎟⎟⎟⎟⎞
$$
X_b=
\left (
\begin{matrix}
1 & X_1^{(1)} & \cdots & X_n^{(1)} \\
1 & X_1^{(2)} & \cdots & X_1^{(2)} \\
\vdots & \vdots & \ddots & \vdots \\
1 & X_1^{(m)} & \cdots & X_1^{(m)} \\
\end{matrix}
\right)
$$