如何用Python打卡最小二乘法拟合函数？

Python打卡：最小二乘法拟合函数的实践与应用 在数据科学与工程领域，函数拟合是揭示变量关系的核心手段。最小二乘法作为一种经典的数学优化方法，通过最小化误差平方和实现数据与模型的最佳匹配。将通过Python实践，演示如何利用最小二乘法进行函数拟合，重点析核心代码与实现逻辑。 一、数据准备与问题定义 假设存在一组实验数据`(x, y)`，需拟合为线性函数`y = ax + b`。首先使用NumPy生成模拟数据，包含线性趋势与随机噪声： ```python import numpy as np x = np.linspace(0, 10, 50) # 生成0-10间50个等间隔点 y_true = 2.5 * x + 1.8 # 真实函数 y = y_true + np.random.normal(0, 1.2, 50) # 添加高斯噪声 ``` 二、最小二乘法模型构建

核心原理

最小二乘法通过求损失函数$L(a,b) = sum_{i=1}^{n}(y_i - (ax_i + b))^2$的最小值，确定参数`a`和`b`。析公式为： $hat{a} = frac{nsum x_iy_i - sum x_isum y_i}{nsum x_i^2 - (sum x_i)^2}$，$hat{b} = bar{y} - hat{a}bar{x}$

Python实现

使用NumPy的线性代数模块直接计算参数： ```python n = len(x) sum_x = np.sum(x) sum_y = np.sum(y) sum_xy = np.sum(x * y) sum_x2 = np.sum(x **2)

a = (n * sum_xy - sum_x * sum_y) / (n * sum_x2 - sum_x** 2) b = (sum_y - a * sum_x) / n y_fit = a * x + b # 拟合结果 ```

三、结果可视化与评估 通过Matplotlib绘制原始数据与拟合曲线，并计算决定系数$R^2$评估拟合优度： ```python import matplotlib.pyplot as plt plt.scatter(x, y, label='原始数据', color='lightblue') plt.plot(x, y_fit, 'r-', label=f'拟合直线: y={a:.2f}x+{b:.2f}') 计算R² ss_total = np.sum((y - np.mean(y)) **2) ss_residual = np.sum((y - y_fit)** 2) r2 = 1 - (ss_residual / ss_total) plt.text(1, 25, f'$R^2$ = {r2:.4f}', fontsize=12)

plt.legend() plt.show() ``` 关键输出：拟合直线方程与$R^2$值越接近1表示拟合效果越好。

四、高阶拟合扩展 最小二乘法支持多项式拟合，通过NumPy的`polyfit`函数实现： ```python degree = 3 # 三次多项式拟合 coeffs = np.polyfit(x, y, degree) # 返回多项式系数 y_poly = np.poly1d(coeffs)(x) # 生成拟合函数并计算预测值 ``` 优势：通过调整`degree`参数，可灵活适配非线性数据分布。 五、应用场景 最小二乘法广泛应用于物理实验数据校准、经济趋势预测、机器学习线性回归等场景。在Python生态中，结合`scikit-learn`的`LinearRegression`类可实现更复杂的多变量拟合。

通过本次打卡实践，我们掌握了最小二乘法的数学原理与Python实现流程。核心在于理误差平方和最小化的优化目标，并利用NumPy与Matplotlib工具链高效成数据处理与可视化。这一方法为后续复杂模型构建奠定了基础。