numpy
単純な線形回帰

前書き

np.polyfitの使用

次に、$ f（x）= mx + c $の直線で近似するデータセットを作成します。

npoints = 20
slope = 2
offset = 3
x = np.arange(npoints)
y = slope * x + offset + np.random.normal(size=npoints)
p = np.polyfit(x,y,1)           # Last argument is degree of polynomial

私たちが行ったことを見るには：

import matplotlib.pyplot as plt
f = np.poly1d(p)                # So we can call f(x)
fig = plt.figure()
ax  = fig.add_subplot(111)
plt.plot(x, y, 'bo', label="Data")
plt.plot(x,f(x), 'b-',label="Polyfit")
plt.show()

注：この例は、 https: //docs.scipy.org/doc/numpy/reference/generated/numpy.polyfit.htmlのnumpyのドキュメントに非常によく似ています。

np.linalg.lstsqの使用

polyfitと同じデータセットを使用します。

npoints = 20
slope = 2
offset = 3
x = np.arange(npoints)
y = slope * x + offset + np.random.normal(size=npoints)

今、| cA b | ** 2を最小化することによって、線形方程式A b = cのシステムを最小化することによって解を見つけることを試みる

import matplotlib.pyplot as plt # So we can plot the resulting fit
A = np.vstack([x,np.ones(npoints)]).T
m, c = np.linalg.lstsq(A, y)[0] # Don't care about residuals right now
fig = plt.figure()
ax  = fig.add_subplot(111)
plt.plot(x, y, 'bo', label="Data")
plt.plot(x, m*x+c, 'r--',label="Least Squares")
plt.show()

注：この例は、 https: //docs.scipy.org/doc/numpy/reference/generated/numpy.linalg.lstsq.htmlにあるnumpyのマニュアルに準拠しています 。