通俗易懂讲透牛顿法（牛顿-拉夫森方法）

原创于 2026-04-10 08:27:15 发布 · 927 阅读

4 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

标签

#算法 #机器学习 #python #人工智能

【机器学习-深度学习】算法专栏收录该内容

112 篇文章

订阅专栏

通俗易懂讲透牛顿法（牛顿-拉夫森方法）｜本科生/研究生都能看懂

本文用大白话+切线比喻+公式拆解+可运行代码+可视化，把牛顿法从原理、迭代、收敛、优缺点讲得清清楚楚，适合数值分析、机器学习优化、面试复习。

一、先搞懂：牛顿法到底在干什么？

一句话：
牛顿法是一种用“切线不断逼近”来找函数零点（根）的快速迭代方法。

生活比喻：
你想找曲线 f(x)=0 与 x 轴的交点，但曲线弯弯曲曲不好算。
牛顿法的做法：

随便猜一个点 x₀
在这个点画一条切线
切线与 x 轴交点 → 当成新的猜测点 x₁
重复几次，几步就能精准扎到真实根

二、为什么要用牛顿法？

普通解方程方法（比如二分法）：

慢
步数多
精度上来得慢

牛顿法：

二次收敛（误差越缩越快）
几步就能达到极高精度
是数值优化里最快的算法之一

三、牛顿法核心公式（超级好记）

$x_{n+1}=x_{n}-\frac{f(x_{n})}{f'(x_{n})}$

拆开讲：

xₙ：当前猜测点
f(xₙ)：函数值
f′(xₙ)：导数（切线斜率）
减去 f/f′：让你一步跳到切线与x轴的交点

四、原理一句话讲透（不绕弯）

在当前点把函数近似成一条直线（泰勒一阶展开），
然后直接算这条直线的根，
当成下一个更准的猜测。

五、牛顿法完整流程（6步背会）

选一个初始猜测值 x₀
算 f(x₀) 和 f′(x₀)
如果导数接近0 → 停止（切线水平没法算）
用公式更新：x₁ = x₀ − f/f′
判断是否收敛（两次x差距很小）
没收敛就继续迭代

六、收敛速度有多快？（重点）

牛顿法是 二次收敛：
误差 ≈ 常数 × 上一次误差的平方

直观感受：

第1步误差：0.1
第2步误差：0.01
第3步误差：0.0001
第4步误差：0.00000001

几步就几乎完全精确。

七、代码实战：牛顿法求解方程 + 可视化

直接复制可运行，包含：

牛顿法实现
收敛过程图
误差下降图

import numpy as np
import matplotlib.pyplot as plt

# ===================== 1. 牛顿法实现 =====================
def newton_method(f, f_prime, x0, tol=1e-6, max_iter=20):
    x = x0
    x_history = [x]
    
    for i in range(max_iter):
        fx = f(x)
        fpx = f_prime(x)
        
        # 避免导数为0
        if abs(fpx) < 1e-12:
            print("导数接近0，无法继续")
            break
        
        # 核心更新公式
        x_new = x - fx / fpx
        x_history.append(x_new)
        
        # 收敛判断
        if abs(x_new - x) < tol:
            break
        x = x_new
        
    return x_history

# ===================== 2. 要求解的函数：x³ - 2x² -5 = 0 =====================
def f(x):
    return x**3 - 2*x**2 - 5

def f_prime(x):
    return 3*x**2 - 4*x

# ===================== 3. 运行牛顿法 =====================
x0 = 3.5
history = newton_method(f, f_prime, x0)
root = history[-1]
errors = [abs(x - root) for x in history]

print("真实根 ≈", root)
print("迭代次数:", len(history)-1)

# ===================== 4. 画图：收敛过程 =====================
plt.figure(figsize=(12,5))

plt.subplot(1,2,1)
plt.plot(history, 'o-', c='magenta', label='迭代x值')
plt.axhline(root, c='green', ls='--', label=f'真实根 {root:.5f}')
plt.title('牛顿法收敛过程')
plt.xlabel('迭代步数')
plt.ylabel('x')
plt.grid(True)
plt.legend()

# ===================== 5. 画图：误差下降 =====================
plt.subplot(1,2,2)
plt.plot(errors, 's-', c='orange', label='误差')
plt.yscale('log')
plt.title('误差下降（对数坐标）')
plt.xlabel('迭代步数')
plt.ylabel('误差 |x - root|')
plt.grid(True)
plt.legend()

plt.tight_layout()
plt.show()