/**
* 我们使用 `ε`(epsilon)作为迭代过程中的停止准则,直到我们达到“足够接近”的程度。Epsilon 是一个非常小的数字:
* 在 simple-statistics 中,这个数字是 **0.0001**。
*
* 这个值被用于像二项分布这样的计算中,在这些计算中,寻找值的过程是[迭代的](https://en.wikipedia.org/wiki/Iterative_method):
* 它会一直进行,直到达到足够接近的程度。
*
* 下面是一个在[梯度下降](https://en.wikipedia.org/wiki/Gradient_descent)中使用 epsilon 的例子,
* 我们试图找到一个函数导数的局部最小值,该导数由 `fDerivative` 方法给出。
*
* @example
* // 通过计算,我们预计局部最小值出现在 x=9/4
* var x_old = 0;
* // 算法从 x=6 开始
* var x_new = 6;
* var stepSize = 0.01;
*
* function fDerivative(x) {
* return 4 * Math.pow(x, 3) - 9 * Math.pow(x, 2);
* }
*
* // 循环会一直运行,直到前一个值与当前值之间的差异小于 epsilon —— 这是“足够接近”的一个粗略衡量标准
* while (Math.abs(x_new - x_old) > ss.epsilon) {
* x_old = x_new;
* x_new = x_old - stepSize * fDerivative(x_old);
* }
*
* console.log('局部最小值出现在', x_new);
*/
const epsilon = 0.0001;
export default epsilon;