线性
|
线性回归建模直线观察到的数据通过使用一个线性方程变量之间的关系是一种方法。这是相同的所有形式的回归分析，专注于y的给定的X的条件概率分布，而不是在Y和X，它是多变量分析中的域的联合概率分布。两个变量之间的标量变量Y被认为是解释变量和其他的一个或多个变量X被认为是因变量表示 。
线性回归方程式：
线性回归直线Y=A+BX，其中X为解释变量，Y是变量的公式。直线的斜率为B ，A为截距（当X = 0时Y的值）。
线性函数使用线性回归和未知的模型参数估计从数据模型中的数据。这种方法被称为线性模型的建模数据。一般说，线性回归分配到一个模型，其中X的值是y的条件均值X的线性回归的仿射函数，很少有机会参考模型的中位数，或其他一些量化的条件y分布给定的X表示为X的一个线性函数.
要获得像B线的斜率，说明平均Y ，因变量线性回归计算平均X， 截距 线，回归方程和输入这个在线计算器是一个必不可少的工具来分析给定的两组数据之间的关系 。
|
线性插值是数学、计算机图形学等领域广泛使用的一种简单插值方法。
常用计算方法如下：假设我们已知坐标(x0,y0)与(x1,y1),要得到[x0,x1]区间内某一位置x在直线上的值。
我们可以得到（y-y0）(x-x0)/(y1-y0)(x1-x0) 假设方程两边的值为α，那么这个值就是插值系数—从x0到x的距离与从x0到x1距离的比值。
由于x值已知，所以可以从公式得到α的值 α=(x-x0)/(x1-x0) 同样，α=(y-y0)/(y1-y0) 这样，在代数上就可以表示成为： y = (1- α)y0 + αy1 或者， y = y0 + α(y1 - y0) 这样通过α就可以直接得到 y。
公式：Y = ( ( X - X1 )( Y2 - Y1) / ( X2 - X1) ) + Y1
这里：X1,Y1 = 第一值，X2,Y2 = 第二值，X = 目标值，Y = 结果
|
加法：
如果：X > Y，那么X + Z > Y + Z
如果：X < Y，那么X + Z < Y + Z
减法：
如果：X > Y，那么 X - Z > Y - Z
如果：X < Y，那么X - Z < Y - Z
乘法：
如果：X > Y，那么X x Z > Y x Z
如果：X < Y，那么X x Z < Y x Z
除法：
如果：X > Y，那么X / Z > Y / Z
如果：X < Y，那么X / Z < Y / Z
|
