不定积分在机器学习中的核心作用与实战技巧

写这个机器学习微积分系列我给自己定的原则是不堆推导、不抄教材只讲机器学习里真正用得上的那部分。前面两篇分别讲完极限和导数很多读者在评论里催更还有人直接点题想看不定期分。说实话不定积分是微积分里最让人又爱又恨的一块。爱它是因为一旦掌握你能顺畅地做很多概率模型和贝叶斯推断的数学推导恨它则因为技巧性很强——换元、分部、拆项、凑微分看着像一门“组合术”不像求导那样一招一式清清楚楚。我最初也在这里栽过不少跟头后来在机器学习里反复用到不定积分才慢慢把它磨成基本功。这篇就把不定积分在机器学习中的实际用途、核心定义、常用计算套路以及常见坑一次性整理出来给正在补数学基础的朋友做一份可以直接照着走的参考。1. 不定积分在机器学习中到底解决什么问题四个必须知道的场景很多初学机器学习的朋友都会困惑神经网络训练不是只靠梯度下降吗梯度下降只要求导那积分到底用在哪里这个疑问很合理但等到接触概率模型、贝叶斯方法、变分推断和统计学习理论之后你会发现积分几乎无处不在。不定积分在这些场景里本质上承担的是同一个角色——它是连接“导数视角”和“面积视角”的桥梁。1.1 概率密度函数的归一化随便拿一个连续型随机变量来说它的概率密度函数 p(x) 必须满足$$ \int_{-\infty}^{\infty} p(x) dx 1 $$这是概率公理的基本要求——样本落在整个人数轴上的概率是 1。但机器学习里很多模型拿到的并不是现成的概率密度而是一个正比于概率的“未归一化函数”。比如能量模型、受限玻尔兹曼机以及很多用神经网络参数化的概率模型通常只知道一个 f(x)需要先计算归一化常数$$ Z \int f(x) dx $$然后令 p(x) f(x)/Z。这里计算 Z 时就必须求出 f(x) 的原函数或者借助特殊积分技巧而不定积分正是寻找原函数的基本工具。如果原函数都求不出来后面所有关于概率、期望、似然的计算都会卡在第一步。1.2 期望与方差的连续版本机器学习里几乎所有的目标函数都和期望有关。监督学习的风险函数是损失函数在数据分布下的期望强化学习的策略评估是折扣回报的期望贝叶斯推断里的后验预测分布本质上也是一个期望。对于连续型随机变量期望公式是$$ E[X] \int x p(x) dx $$当 p(x) 是高斯分布、伽马分布、贝塔分布这类相对规则的密度函数时这个积分往往可以通过不定积分的方法化简成闭式表达。你在推导参数估计的梯度、变分下界或者实现某个概率模型的训练算法时几乎每个关键式子背后都藏着积分的影子。不定积分熟练的人看一眼式子就能判断该走哪条积分路径不熟练的人会在这一步反复卡壳。1.3 分布变换与 KL 散度KL 散度的连续形式是$$ KL(P | Q) \int p(x) \ln \frac{p(x)}{q(x)} dx $$变分推断里要反复对这类积分做处理和化简目标就是找一个接近真实后验的近似分布。算 KL 散度时不仅要求积分能算出来还要求你对积分结果做进一步的代数操作。比如在高斯变分推断中两个高斯分布之间的 KL 散度会化简成关于均值和协方差矩阵的简单表达式这背后正是先把 log 比展开、再逐项积分的结果。不定积分功底好的同学能很快意识到哪一项是常数、哪一项可以凑微分、哪一项需要分部积分整个推导会顺畅很多。1.4 损失函数与边缘化中的积分视角还有一些场景更隐蔽。最大似然估计里经常出现$$ \ell(\theta) \sum_{i1}^n \ln p(x_i; \theta) $$对连续分布而言p(x_i; θ) 本身可能就是某个积分的结果。比如高斯混合模型中观测数据的边缘概率需要对隐变量求和而在连续隐变量模型里这个求和会变成积分。你虽然不一定每一步都在手算不定积分但如果不理解原函数、不定积分、定积分这三者的关系推导过程中很容易失去方向感甚至不知道某一项“为什么能提到积分外面”或者“为什么等于 1”。这四个场景共同说明一件事不定积分不是数学课上的孤岛它是处理“连续分布”时最底层的那套手艺。机器学习里的连续世界躲不开积分这一关。2. 从原函数到不定积分定义、记号与两个关键直觉2.1 原函数就是导数的逆运算先看定义如果函数 F(x) 满足 F(x) f(x)那么称 F(x) 是 f(x) 的一个原函数。不定积分就是求 f(x) 的所有原函数记作$$ \int f(x) dx F(x) C $$这里的 C 是任意常数。为什么必须加 C因为常数的导数为零。如果 F(x) f(x)那么 (F(x)1) F(x) f(x)所以 F(x)1 也是 f(x) 的原函数。事实上在同一个连续区间内f(x) 的任意两个原函数之间只差一个常数。所以不定积分的结果从来不是“一个函数”而是一族函数族内成员彼此相差一个常数 C。这个“一族函数”的观念在解微分方程、处理积分常数与初始条件的关系时非常重要。比如很多物理和工程问题里C 由边界条件确定在优化问题里C 不影响极值点和相对大小所以经常被忽略但你不能因为“反正会抵消”就养成丢 C 的习惯。2.2 几何直觉由斜率反推曲线从几何角度看导数是函数在某一点切线的斜率。不定积分提出的是另一个方向的问题已知每个位置上的斜率怎么反推出原来的曲线可以想象你在一座山上行走手里拿着一张记录了每一段路程坡度的图纸目标是复原整条路的海拔函数。坡度完全相同的情况下出发时的海拔可以任意选择于是你会得到一族上下平移的曲线。这正是为什么不定积分的结果是一族曲线而不是单一曲线。这个直觉对机器学习有意义吗有的。很多优化算法本质上是在“沿着斜率信息反推目标函数的变化轨迹”。理解斜率到原函数之间的非唯一性能帮助你理解为什么梯度下降只能恢复相对变化、不能恢复全局高度也能帮助你在分析算法时更清楚地判断一个函数表达式到底是“目标函数”还是“目标函数的导数”。2.3 不定积分与定积分的关系微积分基本定理初学者常被“不定积分”和“定积分”两个名字搞混。简单说定积分描述的是某个区间上的累积面积而不定积分描述的是原函数本身。两者的联系由微积分基本定理给出$$ \int_a^b f(x) dx F(b) - F(a) $$其中 F 是 f 的任意一个原函数。这意味着要计算定积分最有效的路径是先找到被积函数的不定积分也就是原函数然后代入上下限求差。机器学习里那些“算面积”“算概率质量”的问题最终都会变成“找原函数”的问题。这也是为什么我们今天这一整篇都在围绕不定积分打转——它不是终点但它是通往几乎所有连续概率计算的那道门。3. 基本积分公式与直接积分法先把最常用的几个长在身上不定积分的技巧再多根基还是基本积分公式。换元、分部本质上都是把陌生的积分逐步归化到基本公式。我在机器学习推导中真正高频使用的公式并不多下面这组基本覆盖了九成场景。场景被积函数不定积分说明幂函数$x^n$$\frac{x^{n1}}{n1}C$$n \neq -1$$n-1$ 单独处理倒数$\frac{1}{x}$$\ln|x|C$$x \neq 0$绝对值不能漏指数$e^x$$e^xC$最基础的指数积分一般指数$a^x$$\frac{a^x}{\ln a}C$$a0$ 且 $a \neq 1$对数$\ln x$$x\ln x - xC$$x0$需要分部积分得到正弦$\sin x$$-\cos xC$直接对应导数公式余弦$\cos x$$\sin xC$直接对应导数公式反正切型$\frac{1}{1x^2}$$\arctan x C$在 t 分布相关推导中高频出现反正弦型$\frac{1}{\sqrt{1-x^2}}$$\arcsin x C$在随机变量变换里出现这些公式不需要死记因为每条都能通过“对结果求导看是否还原被积函数”来检验。比如你忘了 $\int \frac{1}{1x^2}dx$ 的结果可以试着从常见导数表反推$\frac{d}{dx}\arctan x \frac{1}{1x^2}$于是积分结果就清楚了。把求导和积分互为逆运算这条线刻在脑子里公式记忆的压力会小很多。3.1 线性性先拆开再分别积分不定积分有两条非常朴素的运算规则$$ \int [f(x)g(x)] dx \int f(x)dx \int g(x)dx $$$$ \int k f(x) dx k \int f(x) dx $$这叫积分的线性性。看到多项式时基本上就是靠这两条规则把它拆成若干个小块。举个很常见的例子$$ \int (3x^2 2x 1) dx x^3 x^2 x C $$每一项分别用幂函数公式三步就完事。这个过程看起来基础但它在机器学习里的意义比想象中大。比如 L2 正则化项中的 $\lambda w^2$ 如果参与积分运算你可以直接套 $\int w^2 dw w^3/3C$完全不用犹豫。很多公式推导之所以显得复杂只是因为前面叠了一些代数符号把线性结构遮住了。先把线性部分拆干净后面会轻松很多。3.2 直接积分的关键模式识别直接积分法表面朴素但它要求你看到结构就能快速匹配公式。看到 $\frac{1}{x^21}$ 要马上想到 arctan看到 $\frac{1}{\sqrt{1-x^2}}$ 要想到 arcsin看到 $\frac{1}{x\ln x}$ 要想“内外层是导数关系可以凑微分”。这种模式识别能力需要一定的练习量来培养但它比死记硬背更可靠——因为积分的世界变化多端你记不住所有套路却能训练出“这个结构像什么”的直觉。我自己的经验是每次学一个新的积分公式不只是记公式本身而是把对应的“结构信号”也一起记下来。比如提到 $\int \frac{1}{x^2 a^2}dx$我脑子里的信号是“分母是平方和 → 反正切型”提到 $\int \frac{1}{\sqrt{a^2 - x^2}}dx$信号是“根号里是平方差 → 反正弦型”。有了这种信号库做题的时候其实是先识别再调用而不是在现场手忙脚乱地翻公式。4. 换元积分法链式法则的逆向操作4.1 原理就是把微分符号当成可操作对象换元积分法对应的是复合函数求导的链式法则的逆运算。链式法则说$$ \frac{d}{dx} F(g(x)) F(g(x)) g(x) $$如果被积函数恰好长成 $f(g(x)) g(x)$ 的样子那么令 $u g(x)$于是 $du g(x) dx$可以得到$$ \int f(g(x)) g(x) dx \int f(u) du F(u) C F(g(x)) C $$这个操作被称为“凑微分”。它背后的直觉很简单你发现被积函数里有一部分是某个函数的导数而另一部分是这个函数的复合于是把导数藏进微分符号里等式右边就变成一个更简单的积分。4.2 第一类换元机器学习中最频繁出现的类型机器学习里最常见的换元例子是高斯相关积分$$ \int x e^{-x^2/2} dx $$观察结构外层有 $e^{-x^2/2}$前面正好有一个因子 x。如果我们令 $u x^2/2$则 $du x dx$于是$$ \int x e^{-x^2/2} dx \int e^{-u} du -e^{-u} C -e^{-x^2/2} C $$这一步就是标准正态分布均值推导的核心。你不需要做任何复杂操作只需要看出“x 是 x² 的导数差一个常数因子”。这个模式在概率分布计算里出现频率极高因为很多指数族分布的密度函数都是“某个函数的导数 × 指数函数的复合”结构。再举个例子$\int \frac{1}{x \ln x} dx$令 $u \ln x$$du dx/x$于是结果就是 $\ln|\ln x| C$。这类“内层函数和外层函数构成导数关系”的模式是换元法的最大甜区。平时练习时可以刻意训练这种观察力被积函数里有没有一个因子的导数刚好是外面那个因子4.3 第二类换元三角代换让根号消失当被积函数里出现平方根、平方和、平方差这类结构凑微分直接凑不动时可以考虑主动引入新变量最常见的套路是三角代换。比如$$ \int \sqrt{1 - x^2} dx $$做代换 $x \sin t$则 $dx \cos t dt$于是$$ \int \sqrt{1 - x^2} dx \int \cos^2 t dt \frac{t}{2} \frac{\sin 2t}{4} C $$最后再用 $t \arcsin x$ 回代。这类代换的核心目的是利用三角恒等式 $1 - \sin^2 t \cos^2 t$ 消掉根号把带根号的积分变成三角函数积分而三角函数积分是基本公式里有现成结果的。机器学习中三角代换用得不算频繁但在某些核函数推导、随机变量变换和几何问题的概率计算中会突然冒出来。更常见的是 $\int \frac{1}{a^2 x^2} dx$ 这种结构用 $x a\tan t$ 代换能很快推出 $\frac{1}{a}\arctan\frac{x}{a} C$。这个结果在 t 分布和 Cauchy 分布相关的计算中经常出现建议直接记住最终形式省去每次重新推导的时间。4.4 回代是最容易出错的环节换元法做得多了会发现真正让你丢分的往往不是换元本身而是算完之后忘了把新变量换回原变量。我在草稿纸上惯用的处理方式是稍微留一行换元$u x^2/2$反解$u x^2/2$回代最终结果 $-e^{-x^2/2} C$。这一行看起来机械但能有效防止“结果里同时混着 x 和 t”这种低级错误。尤其是多步换元的题目中间变量一多大脑就容易失焦。另外提醒一句换元时微分关系的推导也要仔细比如 $du 2x dx$ 和 $du x dx$ 的区别少写一个系数就会导致最终结果差一个常数倍数这种错误在求导验证时会立刻暴露所以平时一定要养成验证的习惯。5. 分部积分法处理乘积型被积函数的标准武器5.1 从乘积求导法则到分部积分公式分部积分法的来源是乘积求导法则$$ (u v) uv u v $$两边同时积分并移项得到$$ \int u dv uv - \int v du $$这里 $dv$ 和 $du$ 可以理解为微分形式下的简写。分部积分处理的是两个函数相乘的积分核心策略是把比较难积的那一部分通过“求导转移”给另一个因子让整体变成更容易求的积分。一个生活化类比你想把一床厚被子叠起来直接用手臂弯折很费劲但如果能找到一根杆子辅助把被子对折、压平、翻转动作就变得有条理了。分部积分就是在找一个合适的“杆子”——这里的杆子就是你对 u 和 dv 的搭配选择。5.2 怎么选 uLIATE 经验法则选择 u 的标准顺序一般总结为对数Logarithmic、反三角Inverse、代数Algebraic、三角Trigonometry、指数Exponential简写为 LIATE。越靠前的类型越优先当 u因为这类函数求导后会变得更简单或至少不再更复杂。比如$\int x e^x dx$选择 $u x$$dv e^x dx$因为 x 求导变成 1而 $e^x$ 积分仍然是 $e^x$。$\int x \ln x dx$选择 $u \ln x$$dv x dx$因为 $\ln x$ 求导变成 $1/x$而 $x$ 积分是 $x^2/2$。套公式后很快得到$$ \int x e^x dx x e^x - \int e^x dx (x - 1)e^x C $$$$ \int x \ln x dx \frac{x^2}{2}\ln x - \int \frac{x^2}{2}\cdot\frac{1}{x}dx \frac{x^2}{2}\ln x - \frac{x^2}{4} C $$第二个例子里有个小技巧把 $\ln x$ 看成 $1 \cdot \ln x$然后用分部积分。很多人第一次看到 $\int \ln x dx$ 会不知道从哪下手其实就是把 1 当作 dv 的系数。5.3 机器学习真实场景指数分布期望的完整推导机器学习中使用频率极高的指数分布其密度函数是 $p(x) \lambda e^{-\lambda x}$。计算它的期望是一个典型的分部积分题目$$ E[X] \int_0^\infty x \lambda e^{-\lambda x} dx $$选 $u x$$dv \lambda e^{-\lambda x}dx$则 $du dx$$v -e^{-\lambda x}$。分部积分得到$$ \int x \lambda e^{-\lambda x} dx -x e^{-\lambda x} \int e^{-\lambda x} dx -x e^{-\lambda x} - \frac{e^{-\lambda x}}{\lambda} C $$代入上下限 0 到 ∞。当 x→∞ 时$x e^{-\lambda x} \to 0$因为指数函数衰减速度远快于多项式增长当 x0 时$-x e^{-\lambda x}$ 为 0$-\frac{e^{-\lambda x}}{\lambda}$ 为 $-1/\lambda$。最终期望正是 $1/\lambda$。这个过程如果反着选 u 和 dv会把积分越算越长。这就是为什么 LIATE 法则在实战中这么有用——它不是数学定理而是一个帮助你快速判断“哪个因子求导后更简单”的经验规则。做得多了你会发现大部分乘积型积分的选择理由本质上就是“让求导发生在变简单的那一项上让积分发生在变复杂也认了的那一项上”。5.4 循环积分另一种必须知道的玩法有一种情况很迷惑人连续用两次分部积分后积分回到了原来的形式。比如 $\int e^x \sin x dx$分部两次会得到包含自身的方程然后可以把原积分当成未知数解出来。这类“循环积分”在信号处理、复指数相关的推导中会出现。第一次遇到可能会愣住但只要知道这个套路处理起来其实很机械。关键还是先按 LIATE 选 u 和 dv然后从容地把重复出现的积分项合并。6. 有理函数积分、特殊结构与计算工具减少不必要的体力活6.1 部分分式分解的思考路径有理函数就是分子分母都是多项式的函数在机器学习中的概率计算和信号处理相关推导里并不少见。标准处理路径分三步先看是不是假分式分子次数不低于分母次数是的话先做多项式除法然后对真分式做部分分式分解最后逐项积分。举一个具体例子$$ \int \frac{x1}{x^2 3x 2} dx $$分母分解成 (x1)(x2)于是$$ \frac{x1}{(x1)(x2)} \frac{1}{x2} $$积分结果是 $\ln|x2| C$。这个例子恰好有公因子比较简单但核心思路是通用的把复杂的分式拆成一堆简单分式的和而简单分式的积分就是对数函数或反正切函数。这种“拆开再分别处理”的思路和前面线性性的思路一脉相承。6.2 三类高频特殊积分配方法是起手式除了部分分式还有几类在概率推导里经常出现的特殊积分建议单独记住$\int \frac{1}{x^2 a^2} dx \frac{1}{a}\arctan\frac{x}{a} C$$\int \frac{1}{x^2 - a^2} dx \frac{1}{2a}\ln\left|\frac{x-a}{xa}\right| C$$\int \frac{1}{\sqrt{a^2 - x^2}} dx \arcsin\frac{x}{a} C$这三条分别对应分母是平方和、平方差、根号内平方差的结构。遇到更一般的二次式时第一反应应该是配方。比如$$ x^2 2x 5 (x1)^2 4 $$然后就可以用 $\int \frac{1}{(x1)^2 4} dx \frac{1}{2}\arctan\frac{x1}{2} C$。配方法能让你把一个陌生的二次式转化成标准形式接着套用已知公式。凡是看到二次多项式先想“能不能配方”这会省掉很多无谓的尝试。6.3 查表和计算工具先有自己的答案再用工具验证现实工作里复杂的积分并不需要全部手算。我平时做算法实验时常用 Python 的 SymPy 符号计算库做初步验证也会用在线符号计算工具做快速检查。如果只是需要某个积分在代码里的数值直接用数值积分会更省事。但工具是一把双刃剑最大的陷阱是它给出的结果往往和你手算的结果长得不一样有时一个用 arctan一个用 log 合体其实两个表达式是等价的区别只在于积分常数或三角恒等式。所以我养成了一个固定习惯用工具之前先在草稿上写出自己的思路和答案然后用工具验证如果结果不一致绝不是马上照抄工具而是把两边都求导看哪个还原被积函数。这个流程通常只要十几秒却能避免最隐蔽的错误。特别要提醒的是有些在线工具在处理含参数积分时会默认某些参数正负导致结果在特定取值下不适用。自己心里有数就不会被工具牵着走。7. 实战从高斯积分到均值计算的完整推导链路7.1 场景设定现在把前面讲到的换元法、不定积分、定积分关系串起来完成一个机器学习里极其经典的推导。假设有一个服从标准正态分布的随机变量 X概率密度为$$ p(x) \frac{1}{\sqrt{2\pi}} e^{-x^2/2} $$我们要验证它的期望确实是 0$$ E[X] \int_{-\infty}^{\infty} x p(x) dx \frac{1}{\sqrt{2\pi}} \int_{-\infty}^{\infty} x e^{-x^2/2} dx $$7.2 第一步用换元法求出不定积分前面已经推导过$$ \int x e^{-x^2/2} dx -e^{-x^2/2} C $$这里用到的正是第一类换元令 $u x^2/2$。这个不定积分本身在机器学习里也经常出现比如在推导高斯分布的得分函数时你需要对 log 密度求导、对某个积分结果再求导这时候手头有一个清晰的原函数表达式会非常方便。7.3 第二步用微积分基本定理算定积分利用微积分基本定理$$ \int_{-\infty}^{\infty} x e^{-x^2/2} dx \lim_{b \to \infty,, a \to -\infty}\left[-e^{-x^2/2}\right]_{a}^{b} $$代入之后上下限处指数都趋于 0因此定积分结果为 0期望也就是 0。整个过程结构非常清晰不定积分负责提供原函数定积分负责代入上下限求差。如果没有前面那步换元求出原函数你连代入上下限的机会都没有。7.4 归一化常数背后的思路没有初等原函数时的替代方案细心的读者会发现标准正态分布的归一化常数 $1/\sqrt{2\pi}$ 来自高斯积分 $\int_{-\infty}^{\infty} e^{-x^2/2} dx \sqrt{2\pi}$。但这个积分并不能直接用基本公式求出原函数——因为 $e^{-x^2/2}$ 没有初等原函数。它需要用极坐标变换等特殊技巧才能计算。这个现实提醒我们不定积分的方法虽强但不是万能的有些积分没有初等原函数只能靠特殊函数或数值方法处理。更一般的例子是伽马函数$$ \Gamma(\alpha) \int_0^\infty x^{\alpha-1} e^{-x} dx $$伽马分布的概率密度就是靠这个积分定义的。实际应用里我们通常不需要把 $\Gamma(\alpha)$ 展开成显式表达式只需要知道递推关系 $\Gamma(\alpha1) \alpha \Gamma(\alpha)$ 和特殊值 $\Gamma(1)1$就能完成很多参数估计和期望推导。这种“把复杂积分归一到已知特殊函数”的思想是机器学习高级数学处理里非常核心的策略。当你遇到一个积不出来的积分时第一反应不一定是“我技巧不行”而可能是“它根本不存在初等原函数需要用别的方式表示”。8. 新手最容易踩的五个坑和过关经验8.1 坑一丢掉积分常数 C这大概是不定积分里出现频率最高的错误。C 不只是形式它代表一族原函数。在解微分方程时丢掉 C会直接导致通解缺失在后续推导中丢掉 C可能导致等式两边不一致。我习惯在每写完一行不定积分结果后立刻补上 $C$把这个动作变成条件反射而不是等题目全写完再补。8.2 坑二忽略定义域和连续性$\frac{1}{x}$ 的不定积分要写 $\ln|x| C$绝对值符号不能省。机器学习很多场景里变量本身是正数比如速率、方差、时间间隔这时候可以省略绝对值但一旦推广到一般区间或边界含参数的推导漏绝对值就可能得出域错误的结论。此外被积函数在有间断点的多个区间上积分时每个连续区间上的积分常数可以不同不能想当然地把一个 C 贯彻到底。8.3 坑三换元之后忘记回代或新旧变量混用这个坑在前面已经强调过。另一个变体是换元后新旧变量混在一起最终表达式里同时出现 x 和 t这算典型的不完整处理。自查方法非常简单最终结果只应包含原变量并且对结果求导应该还原被积函数。如果求导后对不上八成是回代或系数出了问题。8.4 坑四盲目信任计算工具在线符号计算工具和 SymPy 这类库确实强大但它们给出的结果不一定是最简形式也可能因为对参数的默认假设而在某些区间失效。工具显示一个 arctan你手算一个 arcsin两者可能等价也可能不等价唯一可靠的判断方法就是对结果求导。我每次用工具验证积分都会顺手在代码里对它给的原函数求个导看看能不能还原被积函数。这个过程十几秒但能帮你省下至少一晚上的排查时间。常见错误典型表现对策丢 C积分结果没有 $C$每行写完立即补上形成条件反射忽略定义域写 $\ln x$ 而不是 $\ln|x|$检查被积函数定义域和连续性回代遗漏结果混有新旧变量对最终结果求导验证盲信工具工具结果与手算不一致两边求导对比确认等价关系结构误判乘积型当幂函数积先看结构再选方法8.5 经验用“结构导航”代替“题海战术”不确定积分技巧再复杂落到实操上也就是几步判断。我在练习中总结了一个三步流程看结构被积函数是多项式、乘积、复合函数、有理函数还是根式选方法多项式用直接公式复合结构找导数关系用换元乘积用分部有理函数做部分分式分解根式考虑三角代换。验证对结果求导确认还原被积函数。第三步看起来是最不起眼的却是整个流程里最关键的一环。求导是机械操作人人都会用它来反向验证积分结果几乎零成本却能抓住绝大多数错误。我在做题时经常用这一步来“兜底”每次验证通过后心里才有底。8.6 关于练习量的建议不定积分和单纯记忆不同它更像肌肉记忆。我建议至少手算三五十道覆盖各种结构的题目尤其是换元和分部这两类核心方法最好做到看到结构就能反射出方法。有一段时间我给自己定的任务量是每天五道题坚持两周之后再去做变分推断相关的公式推导明显感觉顺畅很多。不要觉得练题是在绕远路不定积分这一块投入的时间会在后面所有算法推导和论文阅读里以“看式子更快、推公式更稳”的方式回报给你。