numpy.linalg.lstsq #

利纳尔格。lstsq ( a , b , rcond = '警告' ) [来源] #

返回线性矩阵方程的最小二乘解。

计算近似求解方程 的 向量x。该方程可能是欠定、良定或超定的(即,a的线性独立行的数量可以小于、等于或大于其线性独立列的数量)。如果a是平方且满秩,则x(除舍入误差外)是方程的“精确”解。否则,x最小化欧几里得 2-范数a @ x = b\(||b - ax||\)。如果有多个最小化解,则选择具有最小 2-范数的解\(||x||\)被返回。

参数
一个(M, N) 类数组

“系数”矩阵。

b {(M,), (M, K)} 类数组

纵坐标或“因变量”值。如果b是二维的,则为bK列中的每一列计算最小二乘解。

rcond浮动,可选

a的小奇异值的截止比。出于排名确定的目的,如果奇异值小于rcond乘以a的最大奇异值,则将其视为零。

版本 1.14.0 中已更改:如果未设置,则会给出 FutureWarning。之前的默认值-1将使用机器精度作为rcond参数,新的默认值将使用机器精度乘以max(M, N)。要消除警告并使用新的默认行为,请使用rcond=None,要继续使用旧行为,请使用rcond=-1

返回
x {(N,), (N, K)} ndarray

最小二乘解。如果b是二维的,则解位于xK列中。

残差{(1,), (K,), (0,)} ndarray

残差平方和: 中每列的欧几里得 2-范数平方 。如果a的秩< N 或 M <= N,则这是一个空数组。如果b是一维,则这是一个 (1,) 形状的数组。否则形状为 (K,)。b - a @ x

排名整数

矩阵a的秩。

s (min(M, N),) ndarray

a的奇异值。

加薪
林算法错误

如果计算不收敛。

也可以看看

scipy.linalg.lstsq

SciPy 中的类似功能。

笔记

如果b是矩阵,则所有数组结果都以矩阵形式返回。

例子

通过一些嘈杂的数据点拟合一条线:y = mx + c

>>> x = np.array([0, 1, 2, 3])
>>> y = np.array([-1, 0.2, 0.9, 2.1])

通过检查系数,我们发现该线的梯度应约为 1,并且与 y 轴的交点或多或少为 -1。

我们可以将直线方程重写为、其中 和。现在用它来求解py = ApA = [[x 1]]p = [[m], [c]]lstsq

>>> A = np.vstack([x, np.ones(len(x))]).T
>>> A
array([[ 0.,  1.],
       [ 1.,  1.],
       [ 2.,  1.],
       [ 3.,  1.]])
>>> m, c = np.linalg.lstsq(A, y, rcond=None)[0]
>>> m, c
(1.0 -0.95) # may vary

沿着拟合线绘制数据:

>>> import matplotlib.pyplot as plt
>>> _ = plt.plot(x, y, 'o', label='Original data', markersize=10)
>>> _ = plt.plot(x, m*x + c, 'r', label='Fitted line')
>>> _ = plt.legend()
>>> plt.show()
../../_images/numpy-linalg-lstsq-1.png