单项式

在做个人项目时，只考虑了将题目完整、无歧义、无赘述的显示出来。未考虑如何进行计算，所以计算正确答案时遇到了很多问题。不过好在我在生成题目时，并没有像一些同学一样，以过程为导向，随机括号的位置。这样可能导致赘述，而且需要判断括号是否交叉，还导致难以计算的问题。我使用的是以结果为导向，随机运算符的优先级，根据优先级先添加括号，然后判断括号是否赘述，然后判断是否去除括号。这样避免了括号的赘述问题，也方便表达式的计算。 在这次结对编程中，我负责题目的计算和生成错误答案。在我动手做之前，java有计算表达式的函数，这让使用c++的我忍不住直喊“ java是世界上最好的语言! ”。不过当我看到他们计算出来的答案都是小数，不显示根号的时候，我觉得我可以做一个结果带根号的项目。因为像√55、√78、sin69这类的表达式根本就不是一个初高中生能计算的。然后我提取这些表达式最基本的单元：单项式。这个单项式包含以下属性：分子，分母，根号，根号下的数。它可以表示整数，分数，根号数，满足我的要求。因为这些复杂的运算，最后都化为单项式和单项式运算，所以我需要重载单项式的+-*/操作，最后根据需要调用+-*/即可。 说实话，这次的结对编程于我而言，作用不大。因为我们没有进行过需求获取、分析，也没有记录文档，而且还是按照之前的编程逻辑，面向过程编程，边写边分析，最后发现方向错了，还得重构代码。我在整个编程中

文章目录 单项式缺点 构建单项式回归 单项式缺点 y = wx + b 这种单项式在数学模型中表示一根直线，但是生产环境中很多的数据例如股票，销售涨跌它都是曲线结构的，这就会导致单项式的线性回归预测率低 构建单项式回归 大家可以看到，单项式线性回归在可视化中生成的就是一条直线，直线的情况下预测曲线的真实数据是非常低的，因此一章节我们就来看如何采用多项式预测曲线数据 import numpy as np import matplotlib . pyplot as plt # 在指定[-3,3]随机生成size个随机数(代表的特征值) x = np . random . uniform ( - 3 , 3 , size = 100 ) print ( x , x . shape ) # 模拟目标值(y) 与x并不是简单的线性关系 y = 0.5 * x ** 2 + x + 2 + np . random . normal ( 0 , 1 , size = 100 ) plt . scatter ( x , y ) plt . show ( ) 来源： https://blog.csdn.net/lsqzedu/article/details/99756699