C# 最小二乘法拟合曲线成直线

备忘

效果
拟合前
在这里插入图片描述
拟合后
在这里插入图片描述

传入X轴和Y轴的数据,得到新的Y轴数据。将X值数据和拟合后的Y轴数据绑带即可。

 /// <summary>
        /// 最小二乘法/线性回归,得到新的点
        /// </summary>
        /// <param name="Points"></param>
        /// <param name="err"></param>
        /// <returns></returns>
        private List<double> LinearRegression(List<double> PointsX, List<double> PointsY)
        {
            List<double> Result = null;
            if (PointsX.Count < 2 || PointsY.Count < 2 || PointsX.Count != PointsY.Count)
            {
                return Result;
            }
            double Averagex = 0, Averagey = 0;
            for (int i = 0; i < PointsX.Count; i++)
            {
                Averagex += PointsX[i];
                Averagey += PointsY[i];
            }
            Averagex /= PointsX.Count;
            Averagey /= PointsX.Count;
            double Numerator = 0, Denominator = 0;
            for (int i = 0; i < PointsX.Count; i++)
            {
                Numerator += (PointsX[i] - Averagex) * (PointsY[i] - Averagey);
                Denominator += (PointsX[i] - Averagex) * (PointsX[i] - Averagex);
            }
            double K = Numerator / Denominator;
            double B = Averagey - K * Averagex;
            List<double> temp = new List<double>();
            foreach (var item in PointsX)
            {
                temp.Add(K * item + B);
            }
            Result = temp.ToList();
            return Result;
        }
  • 0
    点赞
  • 8
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
C#是一种面向对象的编程语言,它具有强大的功能和广泛的应用领域。最小二乘法是一种常用的数学方法,用于拟合曲线并找到最佳拟合参数。在C#中,可以使用数值计算库或者自己实现最小二乘法算法来进行曲线拟合。 以下是使用C#实现最小二乘法拟合曲线的一般步骤: 1. 收集数据:首先需要收集一组数据点,包括自变量和因变量的取值。 2. 定义模型函数:根据实际情况,选择适当的模型函数来描述数据的关系。例如,可以选择线性函数、多项式函数或者其他非线性函数作为模型。 3. 构建矩阵方程:将数据点代入模型函数,得到一个矩阵方程。该方程可以表示为 Y = X * β,其中 Y 是因变量的向量,X 是自变量的矩阵,β 是待求的参数向量。 4. 求解参数:通过最小二乘法,可以求解出参数向量 β 的最佳估计值。这可以通过求解正规方程(Normal Equation)或者使用矩阵分解方法(如QR分解)来实现。 5. 拟合曲线:使用求解得到的参数向量,将自变量代入模型函数,得到拟合曲线的预测值。 下面是一个简单的C#代码示例,演示如何使用最小二乘法拟合一条直线: ```csharp using System; using MathNet.Numerics.LinearAlgebra; class Program { static void Main() { // 收集数据 double[] xData = { 1, 2, 3, 4, 5 }; double[] yData = { 2, 4, 6, 8, 10 }; // 构建矩阵方程 Matrix<double> X = Matrix<double>.Build.DenseOfColumnArrays(xData); Matrix<double> Y = Matrix<double>.Build.DenseOfColumnArrays(yData); // 求解参数 Vector<double> beta = X.TransposeAndMultiply(X).Inverse() * X.TransposeAndMultiply(Y); // 输出参数估计值 Console.WriteLine("参数估计值:"); Console.WriteLine("beta0 = " + beta[0]); Console.WriteLine("beta1 = " + beta[1]); // 拟合曲线 Console.WriteLine("拟合曲线:"); for (int i = 0; i < xData.Length; i++) { double yPredict = beta[0] + beta[1] * xData[i]; Console.WriteLine("x = " + xData[i] + ", y = " + yPredict); } } } ``` 这段代码使用了MathNet.Numerics库来进行矩阵运算。首先,定义了一组数据点,然后构建了矩阵方程,使用最小二乘法求解参数估计值,最后输出了参数估计值和拟合曲线的预测值。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

yangzm996

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值