python中matplotlib实现最小二乘法拟合的过程详解
126 浏览量
2020-09-21
06:30:28
上传
评论
收藏 100KB PDF 举报
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
主要给大家介绍了关于python中matplotlib实现最小二乘法拟合的相关资料，文中通过示例代码详细介绍了关于
最小二乘法拟合直线和最小二乘法拟合曲线的实现过程，需要的朋友可以参考借鉴，下面来一起看看吧。
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)
资源评论
