Python Can'；我不知道如何打印最小平方误差

我编写了一些代码，使用最小二乘法的解析解为几个数据点找到最佳拟合线。现在我想打印实际数据和估计行之间的误差，但我不知道如何计算它。这是我的密码：

import numpy as np
import matplotlib.pyplot as plt

A = np.array(((0,1),
             (1,1),
             (2,1),
             (3,1)))

b = np.array((1,2,0,3), ndmin = 2 ).T

xstar = np.matmul( np.matmul( np.linalg.inv( np.matmul(A.T, A) ), A.T), b)

print(xstar)

plt.scatter(A.T[0], b)
u = np.linspace(0,3,20)
plt.plot(u, u * xstar[0] + xstar[1], 'b-')

---

您已经绘制了线性回归的预测。因此，根据预测值，可以计算“平方误差之和（SSE）”或“均方误差（MSE）”，如下所示：

y_prediction = u * xstar[0] + xstar[1]
SSE = np.sum(np.square(y_prediction - b))
MSE = np.mean(np.square(y_prediction - b))
print(SSE)
print(MSE)

---

旁注。您可能希望使用

np.linalg.pinv

，因为这是一个数值上更稳定的矩阵逆运算符

请注意，

numpy

有一个函数调用（即最小二乘法），它返回残差和解，因此您不必自己实现：

xstar, residuals = np.linalg.lstsq(A,b)
MSE = np.mean(residuals)
SSE = np.sum(residuals)

---

试试看

当你说“打印错误”时，你的意思是显示绘图吗？不，绘图很好。有了这个错误，我的意思是得到点和线估计值之间的差值。谢谢，这很有效！我有一个问题，我也在用同样的数据绘制一条曲线，误差更大，这正常吗？取决于你正在绘制的曲线。如果使用多项式“最小二乘”曲线，并将其拟合到用于计算误差的相同数据，则误差必须减小。如果您使用的是其他曲线，或者如果您正在计算其他数据上的误差，那么请确保误差可能更大：）。不确定这是否回答了您的问题。我建议您阅读Daniela Witten、Gareth James、Robert Tibshirani和Trevor Hasteeare的《统计学习导论》中关于线性回归的部分。您确定上述MSE计算是正确的吗<代码>残差是每个numpy文档的残差平方和。这意味着您需要将残差除以b.size以获得MSE。是吗？是的-和.mean除以大小，而不是.sum（或者我误解了你的问题？）