Python实现最小二乘法线性回归

研一第一学期刚学习完数值分析，赶上期末复习，复习的时候正好复习到最小二乘法，把离散的点拟合为线性函数，就顺便用python实现一下。正好准备学习机器学习算法这方面，就当是预热吧，我知道机器学习的算法肯定比这个难很多，我还是个新手，不当之处还请大神指点，轻喷。

首先上一下公式：

因为书上记笔记画的很乱就不拍书了，直接百度也能搜到最小二乘法的公式：

解方程组得到的解（a0，a1......an）就是拟合函数的系数。这里是简单的一次线性函数，因此只要求a0，a1即可。

读取的数据是读取的csv文件里的x与y

下载地址：https://download.csdn.net/download/qq_32194791/89402478

下面是代码：

#离散型数据利用最小二乘法拟合为一次线性函数
import csv
import numpy as np
from numpy.linalg import *
import matplotlib.pyplot as plt
'''
#手动输入数据使用
i=0;X=[];Y=[]
m=int(input('请输入x的个数：'))
while i<m:
    x,y=map(float,input('请输入x%d,y%d:'%(i,i)).split(','))
    X.append(x)
    Y.append(y)
    i=i+1
print('x:',X)
print('y:',Y)
'''
#直接读取csv文件的数据
X=[];Y=[]
file=csv.reader(open('F:/data.csv','r'))
for each in file:
    if 'x' not in each:
        X.append(float(each[0]))
        Y.append(float(each[1]))
#print(X)
#print(Y)

a11=0;a12=0;a21=0;a22=0;b1=0;b2=0
for i in range(len(X)):
    #系数矩阵A部分
    a11=a11+X[i]**0
    a12=a12+X[i]**1
    a21=a21+X[i]**1
    a22=a22+X[i]**2
    #b部分
    b1=b1+Y[i]
    b2=b2+X[i]*Y[i]
A=np.array([[a11,a12], #法方程组的系数矩阵
            [a21,a22]])
b=np.array([[b1], #常数项所构成的列向量
            [b2]])
print('A:',A)
print('b:',b)
#求解部分
ans=np.dot(inv(A),b)#这里np.dot才能是矩阵乘法，否则只是对应元素相乘
#print(ans)
#ans1=solve(A,b)没有求逆相乘精确
#若设P(x)=ax+c,
print('Ab:',ans)#ans是一个2行1列的矩阵
c=ans[0,0]#第一行的是截距
a=ans[1,0]#第二行的是斜率
if c<0:
    print('拟合的线性函数P(x)=%.5fx%.5f'%(a,c))
elif c==0:
    print('拟合的线性函数P(x)=%.5fx'%a)
else:
    print('拟合的线性函数P(x)=%.5fx+%.5f'%(a,c))

def P(x):
    return a*x+c

#画图部分
Y_=[]#用来存放拟合的y_
for each in X:
    y_=P(each)
    Y_.append(y_)
plt.figure()
plt.plot(X,Y_,color='blue')
plt.scatter(X,Y,marker='.',color='red')#等价于plt.plot(X,Y,'r.')
plt.xlabel('x',fontproperties='SimHei',fontsize=14)
plt.ylabel('y',fontproperties='SimHei',fontsize=14)
plt.title('Least square linear regression',fontproperties='SimHei',fontsize=20)
plt.show()

运行效果图：

菜鸟一枚，望大神轻喷，欢迎评论，谢谢！