最小二乘法求解多元线性回归系数代码
时间: 2024-10-10 11:11:00 浏览: 35
基于jupyter notebook的python编程—–利用梯度下降算法求解多元线性回归方程,并与最小二乘法求解进行精度对比
最小二乘法是一种常见的统计学方法,用于估计多元线性回归模型中的参数,即各个自变量对因变量影响程度的系数。在编程中,特别是使用Python的科学计算库如NumPy,可以编写简单的代码来实现这一过程。以下是一个基本的例子:
```python
import numpy as np
# 假设我们有自变量X(二维数组,行代表样本,列代表特征)和目标变量y(一维数组)
X = np.array([[x11, x12, ...], [x21, x22, ...], ..., [xn1, xn2, ...]])
y = np.array([y1, y2, ..., yn])
# 将X归一化或者标准化,有助于提高算法性能
X = (X - X.mean(axis=0)) / X.std(axis=0)
# 矩阵运算求解系数
beta = np.linalg.inv(X.T @ X) @ X.T @ y
# beta是一个数组,其中每个元素对应于一个特征对应的系数
```
在这个例子中,`np.linalg.inv()`函数用于计算X的转置矩阵XT乘以X的逆,这是最小二乘法的公式,然后通过点积得到y关于X的线性预测的最优参数。
阅读全文