最佳拟合直线
Problem Description
在很多情况下,天文观测得到的数据是一组包含很大数量的序列点图象,每一点用x值和y值定义。这就可能需要画一条通过这些点的最佳拟合曲线。
为了避免只对个别数据分析,需要进行最佳曲线拟合。考虑N个数据点,它们的坐标是(X1,Y1),(X2,Y2)...,(XN,YN)。假设这些值中的X是严格的精确值,Y的值是测量值(含有一些误差)。
对于一个给定的X,如X1,对应的值Y1与曲线C上对应的Y值将存在一个差值。我们用D1表示这个差值,有时我们也称这个差值为偏差、误差或残差,它可能是正、负或零。类似的,X2...,XN,对应的差值为D2,....,DN。
我们用D12 + D22 + ... + DN2 作为衡量曲线C拟合的“最佳”程度,这个值越小越好,越大则越不好。因此,我们做以下定义:任何一种类型的曲线,它们都有一个共同的特性,当ΣDi2最小时,称为最佳拟合曲线。注:∑指“取和”计算。 一条曲线具有这一特性时,称之为“最小二乘拟合”,这样的曲线称为“最小二乘曲线”。
本次的计算任务是拟合为一条直线,数学上称之为“线性回归”。“回归”一词看起来有点陌生,因为计算最佳曲线没什么好“回归”的,最好的术语就是“曲线似合”,在直线情况下就是“线性曲线拟合”。
你的任务是编写程序用最小二乘法计算出以下线性方程的系数(斜率a以及y轴的截距b):
y = a*x + b (4.1)
a和b可以使用以下公式计算:
式中N是数据点的个数。注意,以上两式具有相同的分母,∑指逐项加法计算(取和)。∑x指对所有的x值求和,∑y指对所以的y值求和,∑(x^2)指对所有x的平方求和。∑xy指对所有的积xy进行取和计算。应注意,∑xy 与 ∑x*∑y是不相同的(“积的和”与“和的积”是不同的),同样(∑x)^2与∑(x^2)也是不相同的(“和的平方”与“平方的和”是不相同的)。
Input
Output
Example Input
4 1 6 2 5 3 7 4 10
Example Output
1.400 3.500import java.text.DecimalFormat; import java.util.Scanner; public class Main { public static void main(String[] args) { Scanner in = new Scanner (System.in); DecimalFormat m = new DecimalFormat("0.000"); while( in.hasNext() ){ int n = in.nextInt(); int i, x, y; double a=0, b=0; x = in.nextInt(); y = in.nextInt(); Line l1 = new Line(x,y); double sumxy = l1.x * l1.y; double sumxx = l1.x * l1.x; for( i=1; i<n; i++ ){ Line l2 = new Line( in.nextInt(), in.nextInt() ); l1.x += l2.x; l1.y += l2.y; sumxy += l2.x * l2.y; sumxx += l2.x * l2.x; } a = (n*sumxy - l1.x*l1.y) / (n*sumxx - l1.x*l1.x); b = (l1.y*sumxx - l1.x*sumxy) / (n*sumxx - l1.x*l1.x); System.out.println(m.format(a)); System.out.println(m.format(b)); } in.close(); } } class Line { int x, y; Line(){} Line( int x, int y ){ this.x = x; this.y = y; } public int addx( Line l){ return x+l.x; } public int addy( Line l ){ return y+l.y; } public int addxy( ){ return x*y; } public int addxx( ){ return x*x; } }