这篇文章主要为大家详细介绍了python实现最小二乘法线性拟合，具有一定的参考价值，感兴趣的小伙伴们可以参考一下
本文python代码实现的是最小二乘法线性拟合，并且包含自己造的轮子与别人造的轮子的结果比较。
问题：对直线附近的带有噪声的数据进行线性拟合，最终求出w,b的估计值。
最小二乘法基本思想是使得样本方差最小。
代码中self_func()函数为自定义拟合函数，skl_func()为调用scikit-learn中线性模块的函数。
import numpy as np import matplotlib.pyplot as plt fro<mark style="color:transparent">来源gaodaimacom搞#^代%!码网</mark>m sklearn.linear_model import LinearRegression n = 101 x = np.linspace(0,10,n) noise = np.random.randn(n) y = 2.5 * x + 0.8 + 2.0 * noise def self_func(steps=100, alpha=0.01): w = 0.5 b = 0 alpha = 0.01 for i in range(steps): y_hat = w*x + b dy = 2.0*(y_hat - y) dw = dy*x db = dy w = w - alpha*np.sum(dw)/n b = b - alpha*np.sum(db)/n e = np.sum((y_hat-y)**2)/n #print (i,'W=',w,'\tb=',b,'\te=',e) print ('self_func:\tW =',w,'\n\tb =',b) plt.scatter(x,y) plt.plot(np.arange(0,10,1), w*np.arange(0,10,1) + b, color = 'r', marker = 'o', label = 'self_func(steps='+str(steps)+', alpha='+str(alpha)+')') def skl_func(): lr = LinearRegression() lr.fit(x.reshape(-1,1),y) y_hat = lr.predict(np.arange(0,10,0.75).reshape(-1,1)) print('skl_fun:\tW = %f\n\tb = %f'%(lr.coef_,lr.intercept_)) plt.plot(np.arange(0,10,0.75), y_hat, color = 'g', marker = 'x', label = 'skl_func') self_func(10000) skl_func() plt.legend(loc='upper left') plt.show()
结果：
self_func: W = 2.5648753825503197 b = 0.24527830841237772
skl_fun: W = 2.564875 b = 0.245278
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持gaodaima搞代码网。
以上就是python实现最小二乘法线性拟合的详细内容，更多请关注gaodaima搞代码网其它相关文章！
搞代码网（gaodaima.com）提供的所有资源部分来自互联网，如果有侵犯您的版权或其他权益，请说明详细缘由并提供版权或权益证明然后发送到邮箱[email protected]，我们会在看到邮件的第一时间内为您处理，或直接联系QQ：872152909。本网站采用BY-NC-SA协议进行授权
转载请注明原文链接：python实现最小二乘法线性拟合
转载请注明原文链接：python实现最小二乘法线性拟合
