用最小二乘法进行拟合，最小化残差平方和，怎么用代码计算？

最小二乘法是一种常见的拟合方法，可以通过最小化残差平方和来得到最优的拟合结果。以下是用Python代码实现最小二乘法拟合的示例：

import numpy as np
import matplotlib.pyplot as plt

# 构造数据
x = np.array([1, 2, 3, 4, 5])
y = np.array([1.2, 2.8, 3.6, 4.1, 5.5])

# 拟合函数
def fit_func(p, x):
    a, b = p
    return a * x + b

# 残差函数
def residuals_func(p, x, y):
    return fit_func(p, x) - y

# 初始参数值
p0 = [1, 1]

# 最小二乘法拟合
from scipy.optimize import leastsq
plsq = leastsq(residuals_func, p0, args=(x, y))

# 输出拟合参数
print("拟合参数：", plsq[0])

# 绘制拟合曲线
plt.plot(x, y, 'o', label='原始数据')
plt.plot(x, fit_func(plsq[0], x), label='拟合曲线')
plt.legend()
plt.show()

在上面的示例中，我们通过构造数据、定义拟合函数和残差函数，使用`leastsq`函数进行最小二乘法拟合，并绘制出拟合曲线。其中，`leastsq`函数的第一个参数是残差函数，第二个参数是初始参数值，第三个参数是数据。最后，函数返回的`plsq[0]`即为拟合参数。

需要注意的是，最小二乘法只适用于线性模型，对于非线性模型，需要使用其他的拟合方法，如最小二乘法配合非线性优化算法。