NumPy参考 >例行程序 >线性代数（numpy.linalg） > numpy.linalg.lstsq
numpy.linalg.lstsq（a，b，rcond ='warn' ）[源代码] ¶将最小二乘解返回线性矩阵方程。
通过计算最小化平方的欧几里德2范数的向量x求解方程
。该方程式可以是欠定的，良好的或过度确定的（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是正方形且具有全秩，则x（但针对四舍五入误差）是方程式的“精确”解。
“系数”矩阵。
普通或“因变量”值。如果b是二维的，则为b的K列中的每列计算最小二乘解。
a的小奇异值的截止比。对于等级确定的目的，如果是小于的奇异值被视为零rcond倍的最大奇异值一个。
在版本1.14.0中更改：如果未设置，则给出FutureWarning。以前的默认值-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）。要使警告静音并使用新的默认值，请使用rcond=None，以继续使用旧的行为，请使用rcond=-1。
最小二乘解。如果b是二维的，则解在x的K列中。
残差之和；的每个列的平方欧几里德2-范数
。如果秩一个是<N或M <= N，这是一个空数组。如果b为一维，则为（1，）形状数组。否则，形状为（K，）。b - a*x
矩阵a的等级。
奇异值的一个。
如果计算不收敛。
笔记
如果b是矩阵，则所有数组结果都作为矩阵返回。
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，我们看到该线应具有大约1的坡度，并将y轴或多或少地切为-1。
我们可以将线方程改写为，，
和。现在用于解决p：y = 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
绘制数据和拟合线：
>>> 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()
