开发者社区

文档建议反馈控制台

文章/答案/技术大牛

发布

社区首页 >问答首页 >求Sympy中微分方程的阶数

问求Sympy中微分方程的阶数
EN

Stack Overflow用户

提问于 2015-09-15 00:48:52

回答 1查看 314关注 0票数 1

我在Sympy (0.7.6.1)中定义了一个微分方程，例如：

>>> y = Function('y')
>>> x = Symbol('x')
>>> y0 = y(x)
>>> y1 = y0.diff(x)
>>> y2 = y1.diff(x)
>>> eq = y2 - 2*y1 + y0
>>> eq
                      2      
         d           d       
y(x) - 2*--(y(x)) + ---(y(x))
         dx           2          
                    dx

我想让Sympy告诉我方程的顺序。我在文件里什么也没找到。我隐约希望degree可以工作，但它没有：

>>> degree(eq)
1
>>> degree(eq, y)
0

上下文:为了教学目的，我写了一个常系数线性齐次方程的求解器.找出特征方程，用Sympy的roots求解。目前，我不得不在ODE本身旁边手动传递ODE顺序，这是不方便的。

EN

回答 1

Stack Overflow用户

回答已采纳

发布于 2015-09-15 01:00:50

您可以使用ode_order。这给出了微分方程相对于一个函数的顺序：

>>> ode_order(eq, y)
2

票数 2

EN

页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持

原文链接：

https://stackoverflow.com/questions/32581649

复制

相关文章

R 交叉验证①

什么是交叉验证？在机器学习中，交叉验证是一种重新采样的方法，用于模型评估，以避免在同一数据集上测试模型。交叉验证的概念实际上很简单:我们可以将数据随机分为训练和测试数据集，而不是使用整个数据集来训练和测试相同的数据。交叉验证方法有几种类型LOOCV - leave -one- out交叉验证，holdout方法，k - fold交叉验证。 K折交叉验证(k-fold cross-validation)首先将所有数据分割成K个子样本，不重复的选取其中一个子样本作为测试集，其他K-1个样本用来训练。共重复K次，

用户1359560

2018/08/27

8240

回归，岭回归。LASSO回归

线性回归 r 语言编程算法

矩阵表示多元线性回归 Y=BX+a Q(B)=(Y-BX)T(Y-BX)达到最小时的B值。也即是残差平方和最小时。B（Bi）的值。可以证明B的最小二乘估计=（XTX）-1XTy 其中（XTX）-1为广义逆。如果X存在线性相关的话，XTX没有逆： 1.出现多重共线性2.当n<p,变量比样本多时，出现奇异岭回归（Ridge Regression）---------共线性问题先对数据做标准化 B(K)=(XTX+kI)XTY为B的岭回归估计，其中K为岭参数，I为单位矩阵，KI为扰动。岭迹图帮助我们发现

学到老

2018/03/16

2.5K0

回归，岭回归。LASSO回归

线性回归编程算法

也即是残差平方和最小时。B（Bi）的值。可以证明B的最小二乘估计=（XTX）-1XTy

学到老

2019/02/13

1.6K0

k折交叉验证(R语言)

r 语言机器学习

“ 机器学习中需要把数据分为训练集和测试集，因此如何划分训练集和测试集就成为影响模型效果的重要因素。本文介绍一种常用的划分最优训练集和测试集的方法——k折交叉验证。” k折交叉验证 K折交叉验证(k-fold cross-validation)首先将所有数据分割成K个子样本，不重复的选取其中一个子样本作为测试集，其他K-1个样本用来训练。共重复K次，平均K次的结果或者使用其它指标，最终得到一个单一估测。这个方法的优势在于，保证每个子样本都参与训练且都被测试，降低泛化误差。其中，10折交叉验证是最常用的。

三猫

2018/04/10

6.9K0

线性回归 - 岭回归

serverless 线性回归

本文记录岭回归角度进行线性回归的方法。问题描述考虑一个线性模型 {y}=f({\bf{x}}) 其中y是模型的输出值，是标量，\bf{x}为d维实数空间的向量线性模型可以表示为: f(\bf{x})=\bf{w} ^Tx,w\in \mathbb{R} 线性回归的任务是利用n个训练样本： image.png 和样本对应的标签： Y = [ y _ { 1 } \cdots \quad y _ { n } ] ^ { T } \quad y \in \mathbb{R} 来预测线性模型中的

为为为什么

2022/08/05

1.3K0

岭回归算法_tikhonov正则化与岭回归

serverless https java 网络安全

回归算法的本质上就是为了解决一个线性方程： Ax = b 标准估计方法是普通的最小二法的线性回归，然而如果x是一个病态的矩阵，在这种情况下使用普通最小二法估计会导致过拟合或者欠拟合的情况。此外，岭回归还可以处理矩阵阵列的多重共线性问题。

全栈程序员站长

2022/09/24

6390

岭回归算法_tikhonov正则化与岭回归

R语言如何和何时使用glmnet岭回归

serverless 线性回归

这里向您展示如何在R中使用glmnet包进行岭回归（使用L2正则化的线性回归），并使用模拟来演示其相对于普通最小二乘回归的优势。

拓端

2020/08/17

5.2K0

R语言如何和何时使用glmnet岭回归

机器学习中的交叉验证

机器学习 python

总第100篇本篇讲讲机器学习中的交叉验证问题，并利用sklearn实现。前言在说交叉验证以前，我们先想一下我们在搭建模型时的关于数据切分的常规做法[直接利用train_test_split把所有的数据集分成两部分:train_data和test_data，先在train_data上进行训练，然后再在test_data上进行测试评估模型效果的好坏]。因为我们训练模型时，不是直接把数丢进去就好了，而是需要对模型的不断进行调整(比如参数)，使模型在测试集上的表现足够好，但是即使模型在测试集上效果好，不

张俊红

2018/04/11

1.9K0

LASSO回归姊妹篇：R语言实现岭回归分析

serverless 腾讯云测试服务编程算法

前面的教程中，我们讲解了在高通量数据中非常常用的一种模型构建方法，LASSO回归（见临床研究新风向，巧用LASSO回归构建属于你的心仪模型）。作为正则化方法的一种，除了LASSO，还有另外一种模型值得我们学习和关注，那就是岭回归（ridge regression）。今天，我们将简要介绍什么是岭回归，它能做什么和不能做什么。在岭回归中，范数项是所有系数的平方和，称为L2-Norm。在回归模型中，我们试图最小化RSS+λ (sumβj2)。随着λ增加，回归系数β减小，趋于0，但从不等于0。岭回归的优点是可以提高预测精度，但由于它不能使任何变量的系数等于零，很难满足减少变量个数的要求，因此在模型的可解释性方面会存在一些问题。为了解决这个问题，我们可以使用之前提到的LASSO回归。

用户6317549

2020/07/17

6.4K0

LASSO回归姊妹篇：R语言实现岭回归分析

R语言Bootstrap的岭回归和自适应LASSO回归可视化

bootstrap serverless

注意系数是以稀疏矩阵格式表示的，因为沿着正则化路径的解往往是稀疏的。使用稀疏格式在时间和空间上更有效率

拓端

2021/07/16

2.2K0

R语言Bootstrap的岭回归和自适应LASSO回归可视化

岭回归（ridge regression）

当X不是列满秩矩阵时，即特征数n比样本数m还多，则X.T*X的行列式为0，逆不存在。或者X的某些列的线性相关比较大时，则X.T*X的行列式接近0，X.T*X为病态矩阵（接近于奇异），此时计算其逆矩阵误差会很大，传统的最小二乘法缺乏稳定性与可靠性。

用户6021899

2019/08/14

3.7K0

线性回归，LWLR，岭回归，逐步线性回归

版权声明：本文为博主原创文章，遵循 CC 4.0 by-sa 版权协议，转载请附上原文出处链接和本声明。

张凝可

2019/08/21

8150

R语言中的岭回归、套索回归、主成分回归：线性模型选择和正则化

线性回归编程算法腾讯云测试服务

在本课程中，我们将考虑一些线性模型的替代拟合方法，除了通常的普通最小二乘法。这些替代方法有时可以提供更好的预测准确性和模型可解释性。

拓端

2020/08/21

3.3K0

kfold交叉验证好处_sklearn交叉验证

java https 网络安全

运用Kfold交叉验证时，在一个限度内k的值越大越好。因为k越大我们验证的次数就越多，最后取出来的平均数越能代表训练模型的准确度。

全栈程序员站长

2022/09/28

9500

机器学习中的交叉验证思想

腾讯云测试服务 spring

在使用训练集对参数进行训练的时候，经常会发现人们通常会将一整个训练集分为三个部分（比如mnist手写训练集）。一般分为：训练集（train_set），评估集（valid_set），测试集（test_set）这三个部分。这其实是为了保证训练效果而特意设置的。其中测试集很好理解，其实就是完全不参与训练的数据，仅仅用来观测测试效果的数据。而训练集和评估集则牵涉到下面的知识了。

mythsman

2022/11/14

8530

r语言中对LASSO回归，Ridge岭回归和Elastic Net模型实现

Glmnet是一个通过惩罚最大似然来拟合广义线性模型的包。正则化路径是针对正则化参数λ的值网格处的套索或弹性网络罚值计算的。该算法速度极快，可以利用输入矩阵中的稀疏性x。它符合线性，逻辑和多项式，泊松和Cox回归模型。可以从拟合模型中做出各种预测。它也可以适合多响应线性回归。

拓端

2020/08/17

1.5K0

r语言中对LASSO回归，Ridge岭回归和Elastic Net模型实现

版权声明：本文为博主-姜兴琪原创文章，未经博主允许不得转载。

week

2018/12/13

9910

python实现线性回归之岭回归

网络安全 https 线性回归 html

上述式子中w为长度为n的向量，不包括偏置项的系数 θ0，θ是长度为n+1的向量，包括偏置项系数θ0；m为样本数，n为特征数。

西西嘛呦

2020/08/26

1.7K0

python实现线性回归之岭回归

R语言弹性网络Elastic Net正则化惩罚回归模型交叉验证可视化

弹性网络正则化同时应用 L1 范数和 L2 范数正则化来惩罚回归模型中的系数。为了在 R 中应用弹性网络正则化。在 LASSO回归中，我们为 alpha 参数设置一个 '1' 值，并且在岭回归中，我们将 '0' 值设置为其 alpha 参数。弹性网络在 0 到 1 的范围内搜索最佳 alpha 参数。在这篇文章中，我们将学习如何在 R 中应用弹性网络正则化。

拓端

2022/04/13

1.6K0

R语言弹性网络Elastic Net正则化惩罚回归模型交叉验证可视化

腾讯云测试服务

概述Holdout 交叉验证K-Fold 交叉验证Leave-P-Out 交叉验证总结

用户3577892

2020/07/23

1.3K0

相似问题

使用交叉验证计算岭回归参数

10

R中岭回归的预测

12

基于交叉验证技术和网格搜索技术的岭回归模型

10

R中岭回归的逐步逼近

10

在R中交叉验证logistic回归

113