自变量 编辑
自变数、应变数和控制变数主要用于指实验时各种会影响实验结果的因素，在实验中，由于各项因素的不确定性与不可预测性，因此需先设定何者为人为可控制之控制变数，何者为实验主要目标之自变数。其目的是为了厘清哪些因素能使实验产生不同的结果而形成的概念。
2
相关
在数学中，函数 f 的图形指的是所有有序对组成的集合。具体而言，如果x为实数，则函数图形在笛卡儿坐标系上呈现为一条曲线。如果函数自变量x为两个实数组成的有序对，则图形就是所有三重序组成的集合，呈现为曲面。
在数学中，函数 f 的图形指的是所有有序对组成的集合。具体而言，如果x为实数，则函数图形在笛卡儿坐标系上呈现为一条曲线。如果函数自变量x为两个实数组成的有序对，则图形就是所有三重序组成的集合，呈现为曲面。
在统计学中，线性回归是利用称为线性回归方程的最小二乘法函数对一个或多个自变量和因变量之间关系进行建模的一种回归分析。这种函数是一个或多个称为回归系数的模型参数的线性组合。只有一个自变量的情况称为简单回归，大于一个自变量情况的叫做一般线性模型。
在数学中，函数 f 的图形指的是所有有序对组成的集合。具体而言，如果x为实数，则函数图形在笛卡儿坐标系上呈现为一条曲线。如果函数自变量x为两个实数组成的有序对，则图形就是所有三重序组成的集合，呈现为曲面。
极限是分析学或微积分的重要基础概念，连续函数和导数的都是通过极限来定义的。极限分为描述一个序列的下标愈来越大时的趋势，或是描述函数的自变量接趋近某个值的时函数值的趋势。
张量回归就是数据的自变量是张量的回归。张量回归求解的过程依赖于张量分解，常见的张量分解方式包括CP分解和Tucker分解。利用两种张量分解的方法可以把权重张量分解成低秩的张量，降低需要估计的参数的个数。求解权重张量分解后的低秩张量时，通常利用最小二乘法或者最优化中的梯度下降法。最后再用求得的低秩向量近似还原权重张量。
拉格朗日乘数法，在数学中的最优化问题中，是一种寻找多元函数在其自变量受到一个或多个条件的约束时的局部极值的方法。这种方法可以将一个有n个变量与k个约束条件的最优化问题转换为一个解有n + k个变量的方程组的解的问题。这种方法中引入了一个或一组新的未知数，即拉格朗日乘数，又称拉格朗日乘子，或拉氏乘子，它们是在转换后的方程，即约束方程中作为梯度的线性组合中各个向量的系数。
拉格朗日乘数法，在数学中的最优化问题中，是一种寻找多元函数在其自变量受到一个或多个条件的约束时的局部极值的方法。这种方法可以将一个有n个变量与k个约束条件的最优化问题转换为一个解有n + k个变量的方程组的解的问题。这种方法中引入了一个或一组新的未知数，即拉格朗日乘数，又称拉格朗日乘子，或拉氏乘子，它们是在转换后的方程，即约束方程中作为梯度的线性组合中各个向量的系数。
拉格朗日乘数法，在数学中的最优化问题中，是一种寻找多元函数在其自变量受到一个或多个条件的约束时的局部极值的方法。这种方法可以将一个有n个变量与k个约束条件的最优化问题转换为一个解有n + k个变量的方程组的解的问题。这种方法中引入了一个或一组新的未知数，即拉格朗日乘数，又称拉格朗日乘子，或拉氏乘子，它们是在转换后的方程，即约束方程中作为梯度的线性组合中各个向量的系数。
拉格朗日乘数法，在数学中的最优化问题中，是一种寻找多元函数在其自变量受到一个或多个条件的约束时的局部极值的方法。这种方法可以将一个有n个变量与k个约束条件的最优化问题转换为一个解有n + k个变量的方程组的解的问题。这种方法中引入了一个或一组新的未知数，即拉格朗日乘数，又称拉格朗日乘子，或拉氏乘子，它们是在转换后的方程，即约束方程中作为梯度的线性组合中各个向量的系数。