Python 使用linalg.lstsq的numpy多方向回归

我试图求解方程组中的m1，m2，m3，m4，这样：

y=(m1*x1)+(m2*x2)+(m3*x3)+(m4*x4)

其中：

x1=[x11,x12,x13...]
x2=[x21,x22,x23...]
x3=[x31,x32,x33...]
x4=[x41,x42,x43...]

y=[y1,y2,y3,y4,...]

A = [[x11,x21,x31,x41],[x12,x22,x32,x42],.....]

我一直在努力做到：

m=numpy.linalg.lstsq(A,y)[0]

其中：

x1=[x11,x12,x13...]
x2=[x21,x22,x23...]
x3=[x31,x32,x33...]
x4=[x41,x42,x43...]

y=[y1,y2,y3,y4,...]

A = [[x11,x21,x31,x41],[x12,x22,x32,x42],.....]

但我的结果与Mat-lab中进行的类似分析不符

您可能看到的任何建议或问题都会非常有用

---

谢谢。

看来您构建的

矩阵不正确。此外，
np.linalg.lstsq
似乎只接受
a
的
2D
数组，这意味着您可以一次对一个变量进行最小二乘运算。试试这个：

nvar = 4
one = np.ones(x1.shape)
A = np.vstack((x1,one,x2,one,x3,one)).T.reshape(nvar,x1.shape[0],2)

for i,Ai in enumerate(A):
    a = np.linalg.lstsq(Ai,y)[0]
    R = np.sqrt( ((y - Ai.dot(a))**2).sum() )
    print R

你的方法似乎是正确的。如果你发布你的实际数据，以及你期望得到的数据，这将有助于找出差异所在。Jaime感谢你的关注。不幸的是，我不被允许发布数据……因此，请拿出一些表现出相同问题的合成数据！这对我很有帮助：一旦你这样做了，你如何实现一个回归函数，将一个新的X映射到一个预测？@rjurney每次它进入for循环，你都会得到一个不同的最小二乘解，存储在
a
中。您可以使用它来计算新的预测，使用
Ai.dot（a[0]）
（未测试）