线性函数及其应用

发布时间：2023-05-20

一、线性函数的定义

线性函数是指函数$ f(x) $可以表示为$ f(x) = ax + b $的函数，其中$ a $和$ b $为常数。 线性函数具有以下性质：

  • 曲线是一条直线
  • 斜率为常数$ a $
  • 截距为常数$ b $
  • 定义域为$ (-\infty,+\infty) $
  • 值域为$ (-\infty,+\infty) $ 线性函数图像下方和上方有两个平行的直线$ x $和$ y=ax+b $，并且直线$ x $和坐标轴围成了一个长方形，它的宽度为1。

二、线性函数的应用

1、一次函数的图像

import matplotlib.pyplot as plt
import numpy as np
def plot_line(a, b):
    x = np.linspace(-10, 10, 200)
    y = a * x + b
    plt.plot(x, y, color='blue', linewidth=1.0, linestyle='-')
    plt.xlim((-10, 10))
    plt.ylim((-10, 10))
    plt.xlabel('x')
    plt.ylabel('y')
    plt.title('Linear Function')
    plt.show()
plot_line(2, 3)

上述代码可以绘制出图像为$ 2x+3 $的线性函数图像。

2、线性函数的求解

对于线性函数$ f(x) = ax+b $，我们可以通过给定的$ x $值求出对应的$ y $值，也可以通过给定的$ y $值求出对应的$ x $值。 例如，给定$ f(x) = 3x+2 $，求$ f(4) $：

def solve_linear(x, a, b):
    return a * x + b
result = solve_linear(4, 3, 2)
print(result) # Output: 14

给定$ f(x) = 3x+2 $，求$ x $使得$ f(x) = 7 $：

def solve_x(y, a, b):
    return (y - b) / a
result = solve_x(7, 3, 2)
print(result) # Output: 1.6666666666666667

因此，我们可以通过线性函数求解一些实际问题，例如，求某个物品不同数量的成本、收益等。

3、线性回归

线性回归是一种用于预测数值型连续变量的方法，其核心思想是通过给定的自变量值$ x $来预测因变量值$ y $，建立一个$ x $和$ y $之间的关系。 假设我们有一个数据集，我们用线性回归模型拟合这个数据集，得到$ f(x) = ax+b $。 Python实现代码如下：

import numpy as np
from sklearn.linear_model import LinearRegression
# 构造数据集
X = [[1], [2], [3], [4], [5], [6], [7], [8], [9], [10]]
Y = [1.2, 2.5, 2.8, 3.6, 3.9, 5.1, 5.8, 6.4, 7.2, 8.0]
# 训练模型
model = LinearRegression()
model.fit(X, Y)
# 预测
x_predict = [[11], [12], [13]]
y_predict = model.predict(x_predict)
print(y_predict) # Output: [ 8.8   9.6  10.4]

上述代码可以预测$ x $为11、12、13时的$ y $值。

三、线性函数的性质

线性函数有很多重要的性质，例如，类似于$ f(x) = ax+b $的线性函数必须过原点，它方便了我们理解数据之间的关系。 此外，线性函数还具有以下性质：

  • 斜率为正时，函数图像上的点会向上倾斜；斜率为负时，函数图像上的点会向下倾斜。
  • 斜率越大表示增长越快，斜率为0时表示函数不变化，斜率为负表示函数下降。
  • 截距为正时，函数图像会往上平移；截距为负时，函数图像会往下平移。 因此，线性函数的性质使我们可以更好地理解各个数据点之间的关系，帮助我们进行数据分析和预测，对于解决实际问题具有很大的帮助。
推荐文章