De kleinste kwadratenmethode<\/strong> is een methode die we kunnen gebruiken om de regressielijn te vinden die het beste bij een gegeven set gegevens past.<\/span><\/p>\n We kunnen de functie linalg.lstsq(<\/strong> ) in NumPy gebruiken om een aanpassing van de kleinste kwadraten uit te voeren.<\/span><\/p>\n Het volgende stap-voor-stap voorbeeld laat zien hoe u deze functie in de praktijk kunt gebruiken.<\/span><\/p>\n Laten we beginnen met het maken van de volgende NumPy-arrays:<\/span><\/p>\n We kunnen de volgende code gebruiken om een kleinste kwadraten-fit uit te voeren en de rij te vinden die het beste bij de gegevens past:<\/span><\/p>\n Het resultaat is een tabel met de hellings-<\/strong> en snijpuntwaarden<\/strong> van de best passende lijn.<\/span><\/span><\/p>\n Uit het resultaat kunnen we zien:<\/span><\/p>\n Met behulp van deze twee waarden kunnen we de vergelijking schrijven voor de best passende lijn:<\/span><\/p>\n \u0177 = 7,767 + 0,969x<\/span><\/p>\n Zo interpreteert u de lijn die het beste past:<\/span><\/p>\n We kunnen ook de best passende lijn gebruiken om de waarde van y te voorspellen op basis van de waarde van x.<\/span><\/p>\n Als xa bijvoorbeeld de waarde 10 heeft, voorspellen we dat de waarde van y 17,457<\/strong> zou zijn:<\/span><\/p>\n In de volgende tutorials wordt uitgelegd hoe u andere veelvoorkomende taken in NumPy kunt uitvoeren:<\/span><\/p>\n Hoe specifieke elementen uit de NumPy-array te verwijderen<\/a> De kleinste kwadratenmethode is een methode die we kunnen gebruiken om de regressielijn te vinden die het beste bij een gegeven set gegevens past. We kunnen de functie linalg.lstsq( ) in NumPy gebruiken om een aanpassing van de kleinste kwadraten uit te voeren. Het volgende stap-voor-stap voorbeeld laat zien hoe u deze functie in de […]<\/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":[],"class_list":["post-3515","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n Stap 1: Voer de waarden in voor X en 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 Stap 2: Voer de kleinste kwadratenaanpassing uit<\/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
Stap 3: Interpreteer de resultaten<\/strong><\/span><\/h2>\n
\n
\n
Aanvullende bronnen<\/strong><\/span><\/h2>\n
Hoe u de maximale waarde-index in de NumPy-array kunt krijgen<\/a>
Hoe een NumPy-array met waarden te vullen<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"