python中matplotlib实现最小二乘法拟合的过程详解_python多元最小二乘法 - CSDN文库

61 浏览量更新于2023-03-03 评论收藏 102KB PDF 举报

身份认证购VIP最低享 7 折!

领优惠券(最高得80元）

资源详情

资源评论

资源推荐

python中中matplotlib实现最小二乘法拟合的过程详解实现最小二乘法拟合的过程详解

前言前言

最小二乘法Least Square Method，做为分类回归算法的基础，有着悠久的历史（由马里·勒让德于1806年提出）。它通过最

小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据

之间误差的平方和为最小。最小二乘法还可用于曲线拟合。其他一些优化问题也可通过最小化能量或最大化熵用最小二乘法来

表达。

下面这篇文章主要跟大家介绍了关于python中matplotlib实现最小二乘法拟合的相关内容，下面话不多说，来一起看看详细的

介绍：

一、最小二乘法拟合直线一、最小二乘法拟合直线

生成样本点生成样本点

首先，我们在直线 y = 3 + 5x 附近生成服从正态分布的随机点，作为拟合直线的样本点。

import numpy as np

import matplotlib.pyplot as plt

# 在直线 y = 3 + 5x 附近生成随机点

X = np.arange(0, 5, 0.1)

Z = [3 + 5 * x for x in X] Y = [np.random.normal(z, 0.5) for z in Z]

plt.plot(X, Y, 'ro')

plt.show()

样本点如图所示：

拟合直线拟合直线

设 y = a0 + a1*x，我们利用最小二乘法的正则方程组来求解未知系数 a0 与 a1。

numpy 的 linalg 模块中有一个 solve 函数，它可以根据方程组的系数矩阵和方程右端构成的向量来求解未知量。

def linear_regression(x, y):

N = len(x)

sumx = sum(x)

sumy = sum(y)

sumx2 = sum(x**2)

sumxy = sum(x*y)

本内容试读结束，登录后可阅读更多

下载后可阅读完整内容，剩余3页未读，立即下载

评论0

weixin_38693476

粉丝: 1
资源: 950

会员权益专享

图片转文字

全年可省5，000元立即开通

最新资源

资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！点击此处反馈