linalg.lstsq()函数

linalg.lstsq()是NumPy线性代数模块（numpy.linalg）中的一个函数，用于求解线性最小二乘问题。它基于最小二乘法原理，通过最小化残差的平方和来估计线性方程组的最优解。

函数原型 

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

参数

a：系数矩阵的二维数组。如AX=B中的A

b：代表因变量的一维或二维数组。如AX=B中的B

rcond：在计算广义逆矩阵时使用的奇异值截断值。

奇异值截断值是在奇异值分解（SVD）过程中使用的。

我曾在https://blog.csdn.net/m0_74121413/article/details/131944364?spm=1001.2014.3001.5501这篇博客里提到过。SVD是一种将矩阵分解为奇异向量和奇异值的技术。在广义逆矩阵的计算中，我们使用了奇异值分解来处理矩阵的非满秩情况。

截断奇异值意味着我们保留奇异值的最大值，将小于该值的奇异值视为零（有点类似于阈值处理）

通过将较小的奇异值截断为零，可以减小计算的复杂性，并增加计算的稳定性。

默认rcond=‘warn’，指的是当遇到很小的奇异值时，会产生警告信息。

返回值

x：包含最小二乘解的二维数组。

residuals：残差的平方和。残差指的是真实值与观测值的差。

rank：矩阵a的秩。

s：矩阵a的奇异值。

代码测试

import numpy as np
from numpy.linalg import lstsq

# 构造一个线性方程组
a = np.array([[1, 2], [3, 4], [5, 6]])
b = np.array([1, 2, 3])

# 求解线性最小二乘问题
x, residuals, rank, s = lstsq(a, b)

# 输出结果
print("最小二乘解:", x)
print("残差平方和:", residuals)
print("系数矩阵秩:", rank)
print("系数矩阵奇异值:", s)