前言

本文隸屬于專欄《機器學習數學通關指南》，該專欄為筆者原創，引用請注明來源，不足和錯誤之處請在評論區幫忙指出，謝謝！

本專欄目錄結構和參考文獻請見《機器學習數學通關指南》

---

正文

一句話總結

泰勒公式是用多項式函數逐步逼近復雜函數的工具，其核心思想是：用某一點的函數值及各階導數信息，構建一個多項式，像“放大鏡”一樣，在局部無限接近原函數。

---

直觀理解方式

1. 以直代曲 → 逐步修勻

   • 一階泰勒公式就是常用的“以直代曲”（例如用切線近似函數）。
   • 加入高階項后，逐漸加入“彎曲校正項”，使得多項式在更廣范圍內貼合原函數。
   • 類比：調手機相機的“放大鏡”功能——起始是模糊的直線輪廓（低階近似），逐步放大細節后，曲線形狀清晰可見（高階近似）。

2. 低階盯局部，高階管全局

   • 低階項（如一次項、二次項）：主導當前點附近的形狀。
   • 高階項（如三次及以上）：在遠離當前點的區域逐漸起主要作用（例如y = x3會比y = x2在x > 1時增長更快）。
   • 示例：
     • 在原點展開的e?，低階項（1 + x）在靠近0時與真實值接近，高階項（x2/2! + x3/3! + ...）逐漸修正遠端的誤差。
     • sin x的泰勒展開通過奇次項（x3、x?）交替抵消，精確模擬波動特性。

---

關鍵要點

1. 階數是精度的標尺

• 階數越高，多項式逼近的范圍越廣、精度越高。
• 例子對比：
  • 用1 + x近似e?（1階），只能在x → 0時勉強可用。
  • 用1 + x + x2/2! + x3/3!近似e?（3階），在x = 1附近誤差已小于0.01。

2. 階乘的作用：壓制高階冪的爆炸增長

• 問題：x?比x2增長快得多，直接相加會導致高階項完全主導多項式。
• 解決方法：用階乘n!作為分母，均衡冪函數的增長速度（例如x3/3!中，3! = 6會顯著減緩x3的增速）。
• 說明：
  • 未加階乘時，高階項會過早壓制低階項（如x?完全覆蓋x2的影響）。
  • 加入階乘后，低階項先起主導作用，高階項逐漸接管更遠的區域。

3. 數學形式與物理意義

• 單變量公式：
  $$f(x)=\sum _{k=0}^n\frac{f^{(k)}(x_0)}{k!}(x?x_0{)}^k+R_n(x)$$
  其中R_n(x)為余項，表示誤差（余項越小，逼近越精確）。
• 物理意義：
  • 導數各階信息 = 函數當前位置（0階）、瞬時變化方向（1階）、彎曲程度（2階）等。
  • 綜合所有導數信息即可預測函數未來走勢。

---

應用場景

1. 工程計算：用多項式替換復雜函數（如sin x）快速計算近似值。
2. 機器學習：函數的局部近似用于優化算法（如牛頓法）。
3. 物理建模：描述微小振動、波動時的高精度展開（如諧振子方程）。

---

與微分中值的區別

• 泰勒公式：提供全局的逐階近似多項式，反映各階導數的綜合貢獻。
• 微分中值定理：僅保證某一點的存在性（如梯度方向的最速上升）。
• 聯系：泰勒公式的一階展開對應微分中值的局部線性近似。

---

一句話總結

泰勒公式是用多項式“鏡頭”逐步聚焦函數的工具——階數決定了精度，階乘平衡了增長，展開式中的每一項都是導數信息的精確調用，從而在局部和全局間架起橋梁。