当前位置: 首页>>代码示例 >>用法及示例精选 >>正文


Python numpy linalg.lstsq用法及代码示例


本文简要介绍 python 语言中 numpy.linalg.lstsq 的用法。

用法:

linalg.lstsq(a, b, rcond='warn')

返回线性矩阵方程的最小二乘解。

计算向量x近似解方程a @ x = b.方程可能是under-、well-或over-determined(即,线性独立的行数a可以小于、等于或大于其线性独立列的数量)。如果a是方的并且是满秩的,那么x(但对于舍入误差)是方程的“exact” 解。别的,x最小化欧几里得 2 范数\(||b - ax||\) .如果有多个最小化解,则具有最小 2 范数的解\(||x||\) 被退回。

参数

a (M, N) 数组

“Coefficient” 矩阵。

b {(M,), (M, K)} 数组

纵坐标或“dependent variable”值。如果 b 是二维的,则为 b 的 K 列中的每一列计算最小二乘解。

rcond 浮点数,可选

Cut-off a 的小奇异值的比率。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,则奇异值被视为零。

返回

x {(N,), (N, K)} ndarray

最小二乘解。如果 b 是二维的,则解位于 x 的 K 列中。

residuals {(1,), (K,), (0,)} ndarray

残差平方和:每列的平方欧几里得 2 范数b - a @ x.如果排名ais < N 或 M <= N,这是一个空数组。如果b是一维的,这是一个 (1,) 形状的数组。否则形状为 (K,)。

rank int

矩阵 a 的秩。

s (min(M, N),) ndarray

a的奇异值。

抛出

LinAlgError

如果计算不收敛。

注意

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 data-points 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,我们看到这条线应该有大约 1 的梯度,并且在或多或少 -1 处切割 y 轴。

我们可以将线方程改写为y = Ap,其中A = [[x 1]]p = [[m], [c]].现在使用lstsq解决p

>>> 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

将数据与拟合线一起绘制:

>>> 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()
numpy-linalg-lstsq-1.png

相关用法


注:本文由纯净天空筛选整理自numpy.org大神的英文原创作品 numpy.linalg.lstsq。非经特殊声明,原始代码版权归原作者所有,本译文未经允许或授权,请勿转载或复制。