Die Methode der kleinsten Quadrate<\/strong> ist eine Methode, mit der wir die Regressionslinie finden k\u00f6nnen, die am besten zu einem bestimmten Datensatz passt.<\/span><\/p>\n Wir k\u00f6nnen die Funktion linalg.lstsq(<\/strong> ) in NumPy verwenden, um eine Anpassung der kleinsten Quadrate durchzuf\u00fchren.<\/span><\/p>\n Das folgende Schritt-f\u00fcr-Schritt-Beispiel zeigt, wie Sie diese Funktion in der Praxis nutzen.<\/span><\/p>\n Beginnen wir mit der Erstellung der folgenden NumPy-Arrays:<\/span><\/p>\n Wir k\u00f6nnen den folgenden Code verwenden, um eine Anpassung der kleinsten Quadrate durchzuf\u00fchren und die Zeile zu finden, die am besten zu den Daten \u201epasst\u201c:<\/span><\/p>\n Das Ergebnis ist eine Tabelle mit den Steigungs-<\/strong> und Achsenabschnittswerten<\/strong> der am besten passenden Linie.<\/span><\/span><\/p>\n Aus dem Ergebnis k\u00f6nnen wir sehen:<\/span><\/p>\n Mit diesen beiden Werten k\u00f6nnen wir die Gleichung f\u00fcr die beste Anpassungsgerade schreiben:<\/span><\/p>\n \u0177 = 7,767 + 0,969x<\/span><\/p>\n So interpretieren Sie die Best-Fit-Linie:<\/span><\/p>\n Wir k\u00f6nnen die beste Anpassungsgerade auch verwenden, um den Wert von y basierend auf dem Wert von x vorherzusagen.<\/span><\/p>\n Wenn xa beispielsweise einen Wert von 10 hat, sagen wir voraus, dass der Wert von y 17,457<\/strong> betragen w\u00fcrde:<\/span><\/p>\n Die folgenden Tutorials erkl\u00e4ren, wie Sie andere h\u00e4ufige Aufgaben in NumPy ausf\u00fchren:<\/span><\/p>\n So entfernen Sie bestimmte Elemente aus dem NumPy-Array<\/a> Die Methode der kleinsten Quadrate ist eine Methode, mit der wir die Regressionslinie finden k\u00f6nnen, die am besten zu einem bestimmten Datensatz passt. Wir k\u00f6nnen die Funktion linalg.lstsq( ) in NumPy verwenden, um eine Anpassung der kleinsten Quadrate durchzuf\u00fchren. Das folgende Schritt-f\u00fcr-Schritt-Beispiel zeigt, wie Sie diese Funktion in der Praxis nutzen. Schritt 1: Geben Sie […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n Schritt 1: Geben Sie die Werte f\u00fcr X und Y ein<\/strong><\/span><\/h2>\n
import<\/span> numpy as<\/span> np\n\n#define x and y arrays\n<\/span>x = np. array<\/span> ([6, 7, 7, 8, 12, 14, 15, 16, 16, 19])\n\ny = np. array<\/span> ([14, 15, 15, 17, 18, 18, 19, 24, 25, 29])\n<\/strong><\/pre>\n Schritt 2: F\u00fchren Sie die Anpassung der kleinsten Quadrate durch<\/strong><\/span><\/h2>\n
#perform least squares fitting\n<\/span>n.p. linalg<\/span> . lstsq<\/span> (np. vstack<\/span> ([x, np. ones<\/span> ( len<\/span> (x))]). T<\/span> , y, rcond= None<\/span> )[ 0<\/span> ]\n\narray([0.96938776, 7.76734694])\n<\/strong><\/pre>\n\n
Schritt 3: Interpretieren Sie die Ergebnisse<\/strong><\/span><\/h2>\n
\n
\n
Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h2>\n
So erhalten Sie den Maximalwertindex im NumPy-Array<\/a>
So f\u00fcllen Sie ein NumPy-Array mit Werten<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"