Python最小二乘回归qs答案

【问题标题】：Python least squares regression qsPython最小二乘回归qs
【发布时间】：2014-02-16 16:34:36
【问题描述】：

为什么这段代码不起作用？我正在尝试进行多元回归。四个方程的形式：

Ax + By + c = d

A + 2B + C = 0.2 etc.

A = np.array([[ 0.,  1, 1.],
   [ 1.,  2, 1.],
   [ 2.,  3, 1.],
   [ 3.,  4, 1.]])

y = np.array([-1, 0.2, 0.9, 2.1])
m, c = np.linalg.lstsq(A, y)[0]
print m, c

我做错了什么？

【问题讨论】：

有什么不好的？错误？输出不好？给我们看看！
自己尝试一下，然后弄清楚。我给了代码。 nnatarr - 感谢您的回答！

标签： python regression

【解决方案1】：

我假设您从lstsq example 中提取了m, c = np.linalg.lstsq(A, y)[0] 行。
在示例中，他们使用一个变量和常数解决线性回归问题。结果，此问题的np.linalg.lstsq(A, y) 返回四元素元组(array([ 1. , -0.95]), array([ 0.05]), 2, array([ 4.10003045, 1.09075677]))（第一个元素 - 解，第二个 - 残差，第三个 - 系数矩阵秩，最后一个元素 - 系数矩阵的奇异值）。因此，np.linalg.lstsq(A, y)[0]（在示例中）返回包含两个元素的数组，这些元素可以按照他们的操作方式解包：m, c = np.linalg.lstsq(A, y)[0] (m = 1., c = -0.95)。

您正在使用两个变量和常数解决回归问题。因此，np.linalg.lstsq(A, y)[0] 将返回包含三个元素的数组，如果您想按照示例中的方式对其进行解包，您可以这样做：

x1, x2, c = np.linalg.lstsq(A, y)[0]

但更方便的方法是（在我看来）：

x, residuals, rank, s = np.linalg.lstsq(A, y) #lstsq func always return four-element tuple

print 'solution is %s.' % str(x)
print 'matrix A rank is %d.' % rank
print 'residuals are %s.' % str(residuals)
print 'singular values of A are %s.' % str(s)

print 'first variable is %f.' % x[0]
print 'second variable is %f.' % x[1]
print 'constant is %f.' % x[2]

【讨论】：