在python中使用最小二乘法优化多个方程的公共参数
我想优化几个方程中的公共参数,但我不知道如何同时拟合它们 问题本质上是这样的,需要解决四个方程,需要优化三个参数: a+b+c+1750=T 12=a/T*100 15=b/T*100 37=c/T*100在python中使用最小二乘法优化多个方程的公共参数,python,least-squares,Python,Least Squares,我想优化几个方程中的公共参数,但我不知道如何同时拟合它们 问题本质上是这样的,需要解决四个方程,需要优化三个参数: a+b+c+1750=T 12=a/T*100 15=b/T*100 37=c/T*100 我想找到a,b和c的最佳值。有人有什么建议吗,也许是用最小二乘法?只有当只有一个方程需要解时,我才熟悉。这是一个由4个方程和4个未知数组成的系统。它可以用代数方法求解 解a、b和c并插入第一个方程。我假设*100是a,b和c方程的分母 12 x 100 x T + 15 x 100 x T
我想找到a,b和c的最佳值。有人有什么建议吗,也许是用最小二乘法?只有当只有一个方程需要解时,我才熟悉。这是一个由4个方程和4个未知数组成的系统。它可以用代数方法求解 解a、b和c并插入第一个方程。我假设*100是a,b和c方程的分母
12 x 100 x T + 15 x 100 x T + 37 x 100 x T + 1750 = T
T = 3.66
然后,将T的这个值插入到a、b和c的方程中看来你的方程实际上有4个参数,a、b、c和T,所以你有一组4个参数的线性方程:
a + b + c - T = -1750
100 * a - 12 * Y = 0
100 * b - 15 * Y = 0
100 * c - 37 * Y = 0
您可以使用矩阵中的系数来解决此问题:
import numpy as np
a = np.array([[1., 1., 1., -1.],
[100., 0, 0, -12.],
[0, 100., 0, -15.],
[0, 0, 100., -37.]])
b = np.array([-1750., 0, 0, 0])
如果有分析解决方案,可以使用
res = np.linalg.solve(a, b)
# res: [ 583.33333333 729.16666667 1798.61111111 4861.11111111]
否则,或者对于更一般的情况,可以使用最小二乘算法近似求解
res, err, _, __ = np.linalg.lstsq(a, b)
# res: [ 583.33333333 729.16666667 1798.61111111 4861.11111111]
所以你实际上有4个参数,a,b,c和T?我喜欢用线性代数求解的想法。你知道这个协议是否允许求解变量的纯整数解吗?@EVS我不认为它可以,numpy.linalg.lstsq似乎将输入数据转换为类似float的东西。