Il metodo dei minimi quadrati<\/strong> \u00e8 un metodo che possiamo utilizzare per trovare la retta di regressione che meglio si adatta a un dato insieme di dati.<\/span><\/p>\n Possiamo usare la funzione linalg.lstsq(<\/strong> ) in NumPy per eseguire una regolazione dei minimi quadrati.<\/span><\/p>\n Il seguente esempio passo passo mostra come utilizzare questa funzione nella pratica.<\/span><\/p>\n Iniziamo creando i seguenti array NumPy:<\/span><\/p>\n Possiamo utilizzare il codice seguente per eseguire un adattamento ai minimi quadrati e trovare la riga che meglio “si adatta” ai dati:<\/span><\/p>\n Il risultato \u00e8 una tabella contenente i valori di pendenza<\/strong> e di intercetta<\/strong> della retta pi\u00f9 adatta.<\/span><\/span><\/p>\n Dal risultato possiamo vedere:<\/span><\/p>\n Utilizzando questi due valori, possiamo scrivere l’equazione per la retta di miglior adattamento:<\/span><\/p>\n \u0177 = 7,767 + 0,969x<\/span><\/p>\n Ecco come interpretare la retta di best fit:<\/span><\/p>\n Possiamo anche utilizzare la linea di adattamento migliore per prevedere il valore di y in base al valore di x.<\/span><\/p>\n Ad esempio, se xa ha un valore pari a 10, allora prevediamo che il valore di y sar\u00e0 17.457<\/strong> :<\/span><\/p>\n I seguenti tutorial spiegano come eseguire altre attivit\u00e0 comuni in NumPy:<\/span><\/p>\n Come rimuovere elementi specifici dall’array NumPy<\/a> Il metodo dei minimi quadrati \u00e8 un metodo che possiamo utilizzare per trovare la retta di regressione che meglio si adatta a un dato insieme di dati. Possiamo usare la funzione linalg.lstsq( ) in NumPy per eseguire una regolazione dei minimi quadrati. Il seguente esempio passo passo mostra come utilizzare questa funzione nella pratica. Passaggio […]<\/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 Passaggio 1: inserisci i valori per X e Y<\/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 Passaggio 2: eseguire la regolazione dei minimi quadrati<\/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
Passaggio 3: interpretare i risultati<\/strong><\/span><\/h2>\n
\n
\n
Risorse addizionali<\/strong><\/span><\/h2>\n
Come ottenere l’indice del valore massimo nell’array NumPy<\/a>
Come riempire un array NumPy con valori<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"