【推舊文】由物理概念名稱談暗物質與暗能量
讀者朋友如果睇完上星期《真係好科學-暗黑宇宙》,可以睇埋呢篇文🥸
//暗物質和暗能量相信是少數幾個理論物理中最前沿、而又深入大眾文化中的物理概念。
以我自己科普經驗為例,很多讀者朋友都對有關暗物質和暗能量的研究新聞感興趣。我的專業並非理論物理,對於這兩個高度理論性的題目並不太在行。不過,當我嘗試解答各種關於暗物質和暗能量的問題時,我發現導致概念錯誤的主因可能根本不是讀者的數學、物理背景或程度問題,而是這兩個物理概念的名稱問題。
物理學家與數學家都是人,在表達概念時少不免需要用到文字(這不是廢話嗎?!)。而原來有一個很重要的學術界習慣,很多時候我們做科普、數普時都會忽略:很多字詞在專門研究範疇內的定義,都與一般用法完全不同。
我發現這一點的原因,是我漸漸留意到很多時候我們面對非本身專業的概念時,都會嘗試理解概念名稱的含義。當面對理論物理這一種需要極高數學技巧的概念時,對非專業的讀者來說,能夠理解的大概只剩下概念的名稱。不幸地,從物理概念名稱含義入手分析問題,往往都只會是死胡同,因為支撐物理概念的根本不是語言學,而是實實在在的數學。
暗物質根本不是物質?
物理學家數學技巧可能不錯,但取名技巧就非常糟糕了。暗物質的「暗」與「物質」,有一半是不太正確的。
物理學家早於 1930 年代已經發現了暗物質,不過那時候並非稱為暗物質,而是「找不到的質量」[1]。宇宙間有上億個星系,包括我們居住的銀河系。天文觀測顯示,環繞星系核心公轉的速率太快了,恆星應該會像汽車高速入彎時摩擦力不足而被拋出軌道。換句話說,星系根本不應該存在!
這究竟是什麼回事呢?答案就在萬有引力。既然恆星沒有被拋出星系之外,那麼就必定是萬有引力把它們拉著。然而,即使把一個星系內所有恆星提供的萬有引力都加起來,結果仍然太弱,不足以拉住高速環繞星系公轉的恆星。
質量越多,萬有引力就越強。無論以愛因斯坦的廣義相對論抑或以牛頓的萬有引力定律計算,恆星都實在公轉得太快了。所以物理學家就把那些「多出來的引力」歸功於一些看不見的質量,即是我們現在稱呼的暗物質。所以,暗物質可能根本就不是物質,而是其他一些能夠造成星系恆星公轉速率如此快卻不會拋出星系外的物理效應也說不定。
所以,我們知道原來暗「物質」根本不是我們認識的那種物質。而且,那個「暗」字其實也有點誤導。暗字明顯比喻「找不到」的質量,不過它其實有著更深含義。
暗物質之所以稱為「暗」,當然是因為我們找不到它們。可是,即使它們當真是物質,其物理特性也必然與我們知道的一般物質不同。首先,一個成功的暗物質模型 [2],必須要不參與電磁交互作用。換句話說,就是與光子沒有互動,兩者互不干涉。這才是它們被稱為「暗」物質的原因,是帶有明確物理定義的。
暗能量根本不是能量?
如果說暗物質是「找不到而會產生引力的東西」,那麼暗能量就是「找不到而會產生反抗引力的東西」。
解釋暗能量的來源,要回到愛因斯坦於 1915 年發表的廣義相對論。廣義相對論修正了牛頓的萬有引力定律,把引力(即重力)描述成時空曲率。愛因斯坦推導出的廣義相對論方程式除了能夠描述宇宙之外,亦得出一個推論:宇宙不是在膨脹就是在收縮。
愛因斯坦不喜歡這個推論,他認為宇宙必須是永恆存在,不會變化的。然而,由於重力只能是相吸的,宇宙必定在加速收縮或減速膨脹之中。因此,在不影響方程式正確性的前提下,他加入了一個常數項,稱之為宇宙常數,用來抵消互相吸引的重力,希望能夠得到一個靜態的宇宙。
可是,宇宙從不用看人臉色,即使你是愛因斯坦。哈勃透過測量星系的距離和後退速率,發現了宇宙正在膨脹,令愛因斯坦收回宇宙常數。
由於重力只會互相吸引,宇宙膨脹終有一天會逐漸減漫至停頓,然後開始收縮。然而,宇宙總愛捉弄人類。1998 年,兩隊天體物理學家團隊 [3] 獨立發現宇宙不單止正在膨脹,而且膨脹正在加速!
大概根本沒有任何人曾經想像過這個現象。只會互相吸引的重力,如何使互相遠離的星系以越來越快的速率後退?這就好像向上拋起一個網球,網球非但不掉下來,反而向天空越飛越快!
物理學家找不到任何已知物理概念去解釋這個現象,因此就把宇宙加速歸咎於「暗能量」。產生暗能量的可能是宇宙常數,但沒有人知道暗能量和宇宙常數究竟是什麼。
再一次,「暗」字表示它不會放出電磁輻射,而且我們對其成分毫無頭緒;「能量」則是比較技術性的描述,與概念「真空能量」有關。而與上述暗「物質」是否物質一樣,我們其實連暗「能量」是否真的是種能量也不知道。
宇宙是場暗物質與暗能量的較量
現在物理學界最流行的宇宙模型是所謂的 Λ-Cold Dark Matter (Λ-CDM) 模型,即 Λ-冷暗物質模型。其中, Λ 指的是宇宙常數產生出暗能量、「冷」代表暗物質的速度遠低於光速、「暗」指不參與電磁交互作用。
暗物質使星系互相吸引,暗能量則使星系互相遠離。因此,研究宇宙裡的星系分佈,就可獲得關於暗物質和暗能量的資訊。
最近,一項稱為暗能量普查 (Dark Energy Survey, DES) 的最新研究 [4] 測量了 2 千 6 百萬個星系的間距,計算出宇宙的成分有 74% 是暗能量、 21% 是暗物質,而剩下的 5% 才是一般物質和能量。換句話說,人類科學文明所知的一切物理和化學知識加起來,只是宇宙間所有東西的冰山一角。
這項也是唯一一個準確度能夠與普朗克衛星 [5] 的研究結果相提並論的研究。普朗克衛星亦是測量宇宙中有多少暗能量和暗物質的研究計劃,不過它用的方法不同。普朗克衛星直接拍攝宇宙嬰兒時期的照片——宇宙微波背景輻射,從而計算暗能量和暗物質的多寡。
兩項研究的計算結果雖然十分接近,但仍有著微小差別。這差別令很多物理學家感到興奮,因為如果屬實,我們就必須重新檢視各種宇宙模型。同時,這亦是科學精神的彰顯。
註:
[1] Neil deGrasse Tyson 談暗物質和暗引力等議題。
[2] 「模型」一詞在科學中亦有特別意義,指描述現實世界中的現象的數學結構。
[3] Supernova Cosmology Project 和 High-Z Supernova Search Team。
[4] 暗能量普查資料量龐大,研究團隊目前仍在不斷分析當中。
[5] 或稱普朗克巡天者。//
同時也有3部Youtube影片,追蹤數超過7萬的網紅燕秋老師教學頻道,也在其Youtube影片中提到,燕秋老師Excel小教室:Row&Column 不大懂Row&Column如何應用在函數運算中,可以參考此教學影片 當在表格中的序號要自動編碼時,當產品代碼C4有值時,就會自動編碼,若無時則不會自動編碼,語法該怎麼下呢? 此方法是將常數項變更成可變動的數字方法,利用Row&Column應用 教學錄...
「常數項」的推薦目錄:
- 關於常數項 在 Facebook 的最讚貼文
- 關於常數項 在 Taipei Ethereum Meetup Facebook 的最佳解答
- 關於常數項 在 燕秋老師教學頻道 Facebook 的最佳貼文
- 關於常數項 在 燕秋老師教學頻道 Youtube 的精選貼文
- 關於常數項 在 燕秋老師教學頻道 Youtube 的最讚貼文
- 關於常數項 在 學校沒有教的數學 Youtube 的最讚貼文
- 關於常數項 在 Re: [問題] 迴歸分析中的常數項- 看板Statistics - 批踢踢實業坊 的評價
- 關於常數項 在 常數項是什麼意思在PTT/Dcard完整相關資訊 - 星星公主 的評價
- 關於常數項 在 常數項是什麼意思在PTT/Dcard完整相關資訊 - 星星公主 的評價
- 關於常數項 在 國中課業討論群 - Facebook 的評價
- 關於常數項 在 常數項在PTT/Dcard完整相關資訊 的評價
- 關於常數項 在 常數項在PTT/Dcard完整相關資訊 的評價
常數項 在 Taipei Ethereum Meetup Facebook 的最佳解答
📜 [專欄新文章] 瞭解神秘的 ZK-STARKs
✍️ Kimi Wu
📥 歡迎投稿: https://medium.com/taipei-ethereum-meetup #徵技術分享文 #使用心得 #教學文 #medium
上一篇關於 zkSNARK扯到太多數學式,導致很難入手,這次介紹 STARK 會盡量減少數學式,以原理的方式跟大家介紹。
STARK 被視為新一代的 SNARK,除了速度較快之外,最重要的是有以下好處1. 不需要可信任的設置(trusted setup),以及
2. 抗量子攻擊
但 STARK 也沒這麼完美,STARK 的證明量(proof size)約 40–50KB,太佔空間,相較於 SNARK 只有288 bytes,明顯大上幾個級距。此外,這篇論文發佈約兩年的時間,就密碼學的領域來說,還需要時間的驗證。
STARK 的 S 除了簡潔(Succinct)也代表了擴展性(Scalable),而T代表了透明性(Transparency),擴展性很好理解,透明性指的是利用了公開透明的算法,可以不需要有可信任的設置來存放秘密參數。
SNARK 跟 STARK 都是基於多項式驗證的零知識技術。差別在於,如何隱藏資訊、如何簡潔地驗證跟如何達到非互動性。
快轉一下 SNARK 是如何運作的。
Alice 有多項式 P(x)、Bob有秘密 s,Alice 不知道 s、Bob 不知道 P(x)的狀況下,Bob 可以驗證P(s)。藉由同態隱藏(Homomorphic Hindings)隱藏Bob的 s → H(s),藉由 QAP/Pinocchio 達到了簡潔地驗證,然後把 H(s) 放到CRS(Common Reference String),解決了非互動性。細節可以參考之前的文章 。
問題轉換
零知識的第一步,需要先把「問題」轉成可以運算的多項式去做運算。這一小節,只會說明怎麼把問題轉成多項式,至於如何轉換的細節,不會多琢磨。
問題 → 限制條件 → 多項式
在 SNRAK 跟 STARK 都是藉由高維度的多項式來作驗證。也就是若多項式為: x³ + 3x² + 3 = 0,多項式解容易被破解猜出,若多項式為 x^2000000 + x^1999999 + … 則難度會高非常多。
第一步,先把想驗證的問題,轉換成多項式。
這邊以Collatz Conjecture為例子,什麼是Collatz Conjecture呢?(每次都用Fibonacci做為例子有點無聊 XD)
1. 若數字為偶數,則除以2
2. 若數字為奇數,則乘以3再加1 (3n+1)
任何正整數,經由上述兩個規則,最終結果會為 1 。(目前尚未被證明這個猜想一定成立,但也還未找出不成立的數字)
52 -> 26 -> 13 -> 40 -> 20 -> 10 -> 5 -> 16 -> 8 -> 4 -> 2 -> 1.
把每個運算過程的結果紀錄起來,這個叫做執行軌跡(Execution Trace),如上述52 -> 26 -> … -> 1。接著我們把執行軌跡轉換成多項式(由執行軌跡轉成多項式不是這裡的重點,這裡不會贅述,細節可以參考 StarkWare的文章 )如下
https://medium.com/starkware/arithmetization-i-15c046390862
合成多項式
接著就把這四個限制條件的多項式合成為一個,這個最終的多項式就叫做合成多項式(composition polynomial),而這個合成多項式就是後面要拿來驗證的多項式。
就像一開始提的,SNARK跟STARK都是使用高維度多項式,接著,來介紹STARK是藉由哪些方式,達到零知識的交換、透明性(Transparency)跟可擴展性(Scalability)。
修改多項式維度
這一步是為了後面驗證做準備的。在驗證過程使用了一個技巧,將多項式以2的次方一直遞減為常數項(D, D/2, D/4 … 1),大幅減低了驗證的複雜度。因此,需要先將多項式修改為2^n維度
假設上述的每個限制多項式(不是合成多項式喔)為Cj(x),維度為 Dj,D >= Dj 且 D 等於2^n,為了達到 D 維度,乘上一個維度(D -Dj)的多項式,
所以最終的合成多項式,如下
其中的αj、βj是由驗證者(verifier)所提供,所以最終的多項式是由證明方(prover)跟驗證方所共同組成。
*這小節的重點是將多項式修改成D維度,覺得多項式太煩可忽略
FRI
FRI 的全名是”Fast RS IOPP”(RS = “Reed-Solomon”, IOPP = “Interactive Oracle Proofs of Proximity”)。藉由FRI可以達到簡潔地驗證多項式。在介紹FRI 之前,先來討論要怎麼證明你知道多項式 f(x) 為何?
RS 糾刪碼:
糾刪碼的概念是把原本的資料作延伸,使得部分資料即可以做驗證與可容錯。其方式是將資料組成多項式,藉由驗證多項式來驗證資料是否正確。舉例來說,有d個點可以組成 d-1 維的多項式 y = f(x),藉由驗證 f(z1) ?= y,來確定 z1是否是正確資料。
回到上面的問題,怎麼證明知道多項式?最直接的方式就是直接帶入點求解。藉由糾刪碼的方式,假設有d+1個點,根據Lagrange插值法,可以得到一個 d 維的多項式 h(x),如果如果兩個多項式在(某個範圍內)任意 d 點上都相同( f(z) = h(z), z = z1, z2…zd),即可證明我知道 f(x)。但是我們面對的是高維度的多項式,d 是1、2百萬,這樣的測試太沒效率,且不可行。FRI 解決了這個問題,驗證次數由百萬次變成數十次。
降低複雜度
假設最終的合成多項式為 f(x),藉由將原本的1元多項式改成2元多項式,以減少多項式的維度。假設 f(x) = 1744 * x^{185423},加入第二變數 y,使 y = x^{1000},所以多項式可改寫為 g(x, y) = 1744*x^{423}*y^{185}。藉由這樣的方式,從本來10萬的維度變成1千,藉由這種技巧大幅降低多項式的維度。在 FRI 目前的實做,是將維度對半降低 y = x²(f(x) = g(x, x²))。
此外,還有另一個技巧,將一個多項式拆成兩個較小的多項式,把偶數次方跟奇數次方拆開,如下:
f(x)= g(x²) + xh(x²)
假如:
f(x) = a0 + a1x + a2x² + a3x³ + a4x⁴ + a5x⁵
g(x²) = a0 + a2x² + a4x⁴, (g(x) = a0 + a2x + a4x²)
h(x²) = a1x + a3x² + a5x⁴, (h(x) = a1 + a3x + a5x² )
藉由這兩個方法,可以將高維度的多項式拆解,重複地將維度對半再對半,以此類推到常數項。而 FRI 協議在流程上包含兩階段 — 「提交」跟「查詢」。
提交階段:提交階段就如同上述過程,將多項式拆解後,由驗證者提供一亂數,組成新的多項式,再繼續對多項式拆解,一直重複。
f(x) = f0(x) = g0(x²) + x*h0(x²)
==> f1(x) = g0(x) + α0*h0(x), ← α0(驗證者提供)
==> f2(x) = g1(x) + α1*h1(x), ← α1(驗證者提供)
==> . . .
查詢階段:這個階段要驗證證明者所提交的多項式 f0(x), f1(x), f2(x), … 是否正確,這邊運用一個技巧,帶入任意數 z 及 -z(這代表在選域的時候,需滿足 L²= {x²:x ∊ L},這邊不多提)。所以可以得
f0(z) = g0(z²) + z*h0(z²)
f0(-z) = g0(z²) -z*h0(z²)
藉由兩者相加、相減,及可得g0(z²)、h0(z²),則可以計算出f1(z²),再推導出f1(x),以此類推驗證證明者傳來的多項式。
Interactive Oracle Proofs (IOPs)
藉由FRI(RS糾刪碼、IOPs),將驗證次數由數百萬降至20–30次(log2(d)),達到了簡潔地驗證。不過,我們解決了複雜度,但還有互動性!
* 與SNARK比較 :SNARK在驗證方面利用了QAP跟Pinocchio協定。
非互動性
藉由 Micali 建構(Micali construction)這個概念來解釋如何達到非互動的驗證。Micali 建構包括兩部分,PCPs(Probabilistically checkable proof)跟雜湊函數。PCPs 這是一個隨機抽樣檢查的證明系統。簡單來說,證明者產出一個大資料量的證明(long proof),經由隨機抽樣來驗證這個大資料量的證明。過程大約是這樣,證明者產出證明𝚿,而驗證者隨機確認 n 個點是否正確。
在STARK,我們希望達到:1.小的證明量,2.非互動。隨機抽樣可以讓達到小的證明量,那互動性呢? 想法很簡單,就是預先抽樣,把原本 PCPs 要做的事先做完,然後產出只有原本證明 𝚿 抽樣出的幾個區塊當作證明。但想也知道,一定不會是由證明者抽樣,因為這樣就可以作假。這裡是使用 Fiat-Shamir Heuristic 來作預先取樣。
首先,先把證明 𝚿組成 merkle tree,接著把 merkle root 做雜湊可得到一亂數 𝛒,而 𝛒 就是取樣的索引值。將利用𝛒取出來的區塊證明、區塊證明的 merkle tree 路徑跟 merkle root, 組一起,即為STARK 證明 𝛑。
到目前,只使用雜湊函數這個密碼學的輕量演算法。而雜湊函數的選擇是這個證明系統唯一的全域參數(大家都需要知道的),不像是 SNARK 有 KCA 使用的(α, β, 𝛾)等全域的秘密參數,再藉由 HH(同態隱藏)隱藏這些資訊來產生 CRS。因為證明的驗證是靠公開的雜湊函數,並不需要預先產生的秘密,因此 STARK 可以達到透明性,也不用可信任的設置。
接著,將FRI中需要互動的部分(驗證者提供 α 變數),使用上述的 PCP + Fiat-Shamir Heuristic, 即可達到非互動性。
* 與SNARK比較: SANRK 的非互動性是將所需的全域參數放到CRS中,因為全域參數是公開的,所以CRS裡的值使用了 HH 做隱藏。
MIMC
大部分證明系統,會使用算數電路來實作,此時,電路的複雜程度就關係到證明產生的速度。 STARK 的雜湊函數選用了電路複雜度較簡單的 MIMC,計算過程如下:
https://vitalik.ca/general/2018/07/21/starks_part_3.html
這樣的計算有另一個特性,就是無法平行運算,但卻又很好驗證,因此也很適合 VDF 的運算。Vitalik有一個使用 MIMIC 作為 VDF 的提案。
ps. 反向運算比正向慢百倍,所以會是反向計算,正向驗證
從上面的解釋,可以理解為什麼 STARK 不需要可信任設置,至於為什麼能抗量子?因為 SNARK 中使用了 HH 來隱藏秘密,而 HH 是依靠橢圓曲線的特性,但橢圓曲線沒有抗量子的特性(也就是可以從公鑰回推私鑰)。而STARK在整個過程中只使用了雜湊函數,而目前還沒有有效的演算法能破解雜湊函數,因此可以抵抗抗量子攻擊。
有錯誤或是不同看法,歡迎指教
參考:
StarkDEX Deep Dive: the STARK Core Engine
STARK 系列文:
STARK Math: The Journey Begins
Arithmetization I
Arithmetization II
Low Degree Testing
A Framework for Efficient STARKs
Vitalik 系列文:
STARKs, Part I: Proofs with Polynomials
STARKs, Part II: Thank Goodness It’s FRI-day
STARKs, Part 3: Into the Weeds
ZK-STARKs — Create Verifiable Trust, even against Quantum Computers
https://ethereum.stackexchange.com/questions/59145/zk-snarks-vs-zk-starks-vs-bulletproofs-updated
Originally published at http://kimiwublog.blogspot.com on November 12, 2019.
瞭解神秘的 ZK-STARKs was originally published in Taipei Ethereum Meetup on Medium, where people are continuing the conversation by highlighting and responding to this story.
👏 歡迎轉載分享鼓掌
常數項 在 燕秋老師教學頻道 Facebook 的最佳貼文
燕秋老師Excel小教室:Row&Column
不大懂Row&Column如何應用在函數運算中,可以參考此教學影片
當在表格中的序號要自動編碼時,當產品代碼C4有值時,就會自動編碼,若無時則不會自動編碼,語法該怎麼下呢?
此方法是將常數項變更成可變動的數字方法,利用Row&Column應用
教學影片:
函數說明及解法 https://youtu.be/0kLZp0iamiI
螢幕錄製 https://youtu.be/MysI5tbduMo
#燕秋老師教學頻道
#Excel小教室
常數項 在 燕秋老師教學頻道 Youtube 的精選貼文
燕秋老師Excel小教室:Row&Column
不大懂Row&Column如何應用在函數運算中,可以參考此教學影片
當在表格中的序號要自動編碼時,當產品代碼C4有值時,就會自動編碼,若無時則不會自動編碼,語法該怎麼下呢?
此方法是將常數項變更成可變動的數字方法,利用Row&Column應用
教學錄影:https://youtu.be/0kLZp0iamiI
螢幕:https://youtu.be/MysI5tbduMo
FB:燕秋老師教學頻道https://www.facebook.com/Hyonith2014/?ref=hl
常數項 在 燕秋老師教學頻道 Youtube 的最讚貼文
燕秋老師Excel小教室:Row&Column
不大懂Row&Column如何應用在函數運算中,可以參考此教學影片
當在表格中的序號要自動編碼時,當產品代碼C4有值時,就會自動編碼,若無時則不會自動編碼,語法該怎麼下呢?
此方法是將常數項變更成可變動的數字方法,利用Row&Column應用
教學錄影:https://youtu.be/0kLZp0iamiI
螢幕:https://youtu.be/MysI5tbduMo
FB:燕秋老師教學頻道https://www.facebook.com/Hyonith2014/?ref=hl
常數項 在 學校沒有教的數學 Youtube 的最讚貼文
運用二項式展式中的通項找係數和常數項,在舊制會考的A.Maths中經常出現。而在課本上這技巧往往只以一個簡單例子來說明,絕不起眼。
學校沒有教的數學網址:
http://mathseasy.hk
常數項 在 常數項是什麼意思在PTT/Dcard完整相關資訊 - 星星公主 的美食出口停車場
...常数项是什么_百度知道2019年7月27日· 多项式中,每个单项式上不含字母的项叫常数项。 常数是具有一定含义的名称,用于代替数字或字符串,其值从不改变。 数学上常用 ... ... <看更多>
常數項 在 常數項是什麼意思在PTT/Dcard完整相關資訊 - 星星公主 的美食出口停車場
...常数项是什么_百度知道2019年7月27日· 多项式中,每个单项式上不含字母的项叫常数项。 常数是具有一定含义的名称,用于代替数字或字符串,其值从不改变。 数学上常用 ... ... <看更多>
常數項 在 Re: [問題] 迴歸分析中的常數項- 看板Statistics - 批踢踢實業坊 的美食出口停車場
截距項的意義 應該要是看迴歸的性質來決定
認為他沒有意義 是由於他根本不是我們關心的自變數 (解釋變數) 所能解釋的
那麼 他的意義就很明顯了
截距項表示的就是 你的迴歸模型中 解釋變數所不能解釋的值
而殘差 則是迴歸模型無法解釋的值
這可能顯示 我們可以找到更好的解釋變項來解釋你的被解釋變數
有時候 如果當你手頭上沒有任何解釋變數 但是要求你去預測你的被解釋變數
根據模型來看 截距項 就是最好的預測
那麼他是否是沒有意義的呢
而對財務研究中的定價模型來看 截距項的意義就很大了
他表示基金經理人的超額報酬率 (選股能力)
因此 在做研究的時候
至少你要了解他的意義是 X無法解釋Y的部分
所以你可以找出其他的X來解釋Y 使得截距項消失 (不顯著)
至於截距項是沒有意義的說詞
我一直不解為什麼會有這樣的說法
大概是我學的不夠透徹 (orz)
※ 引述《anncelyc (尼尼仔)》之銘言:
: 想請問各位大大,
: 再我們做real data的迴歸分析的時候,
: 通常統計軟體都會幫我們跑出含有回歸截距項的配適線
: 但其實都曉得那個截距項都是無意義的。
: 所以在這邊小弟想請問一下,舉例來說我們在做paper的時候
: 這些截距項需要把她留下嗎? 還是說另外做檢定方法將常數項刪除?
: 亦或是...?
: 目前小弟正在進行一個關於房價和各個因子關係的回歸...
: 看到截距項就是一整個覺得怪= =...
: 請板上高手幫我解釋一下>"<...
: 感激不盡
--
※ 發信站: 批踢踢實業坊(ptt.cc)
◆ From: 134.208.32.109
... <看更多>