最小二乘法计算公式是

【最小二乘法计算公式是】最小二乘法是一种用于数据拟合的数学方法，广泛应用于回归分析中。它的核心思想是通过最小化误差平方和来寻找最佳拟合曲线或直线。该方法在统计学、工程学、经济学等多个领域都有广泛应用。

一、最小二乘法的基本原理

最小二乘法（Least Squares Method）的基本目标是找到一条曲线或直线，使得它与给定数据点之间的垂直距离的平方和最小。换句话说，就是让所有观测值与预测值之间的偏差尽可能小。

设我们有一组数据点 $(x_1, y_1), (x_2, y_2), \dots, (x_n, y_n)$，我们要找一个函数 $y = f(x)$ 来拟合这些点，使得残差平方和最小：

$$

S = \sum_{i=1}^{n} (y_i - f(x_i))^2

$$

最小化 $S$ 的过程即为最小二乘法的核心。

二、线性最小二乘法（一元线性回归）

当拟合函数为一次函数时，即：

$$

y = a x + b

$$

此时，我们需要求出系数 $a$ 和 $b$，使得残差平方和最小。

公式推导如下：

1. 残差平方和：

$$

S = \sum_{i=1}^{n} (y_i - a x_i - b)^2

$$

2. 对 $a$ 和 $b$ 求偏导并令其等于零，得到正规方程组：

$$

\begin{cases}

\sum_{i=1}^{n} (y_i - a x_i - b) x_i = 0 \\

\sum_{i=1}^{n} (y_i - a x_i - b) = 0

\end{cases}

$$

3. 解这个方程组可得：

$$

a = \frac{n \sum x_i y_i - \sum x_i \sum y_i}{n \sum x_i^2 - (\sum x_i)^2}

$$

$$

b = \frac{\sum y_i - a \sum x_i}{n}

$$

三、常用最小二乘法公式总结

四、应用示例

假设我们有以下数据点：

使用最小二乘法拟合直线：

- 计算各项总和：

- $\sum x = 1+2+3+4 = 10$

- $\sum y = 2+4+5+7 = 18$

- $\sum x_i y_i = 1×2 + 2×4 + 3×5 + 4×7 = 2+8+15+28 = 53$

- $\sum x_i^2 = 1^2 + 2^2 + 3^2 + 4^2 = 1+4+9+16 = 30$

- 代入公式计算：

$$

a = \frac{4×53 - 10×18}{4×30 - 10^2} = \frac{212 - 180}{120 - 100} = \frac{32}{20} = 1.6

$$

$$

b = \frac{18 - 1.6×10}{4} = \frac{18 - 16}{4} = 0.5

$$

所以拟合直线为：$y = 1.6x + 0.5$

五、总结

最小二乘法是一种简单而有效的数据拟合方法，尤其适用于线性关系的数据分析。通过最小化误差平方和，可以得到最接近实际数据的拟合曲线或直线。不同的拟合模型（如线性、多项式、非线性）对应不同的计算方式，但其核心思想是一致的。

通过合理选择模型和参数，最小二乘法可以帮助我们在复杂数据中提取有用的信息，是数据分析的重要工具之一。