最小二乘法介绍✨
最小二乘法（Least Squares Method）是一种常见的数学优化技术，广泛应用于数据拟合、回归分析和参数估计等领域。其目标是通过最小化残差平方和来找到一组参数，使得模型预测值与观测值之间的差异最小化。
最小二乘法的原理✨
线性回归模型将因变量 （y） 与至少一个自变量 （x） 之间的关系建立为：
在 OLS 方法中，我们必须选择一个b1和b0的值，以便将 y 的实际值和拟合值之间的差值的平方和最小化。
平方和的公式如下：
我们可以把它看成是一个关于b1和b0的函数，分别对b1和b0求偏导，然后让偏导等于0，就可以得到最小平方和对应的b1和b0的值。
先说结果，斜率最后推导出来如下所示：
截距推导出来结果如下：
don’t worry about that，慢慢推导总是可以弄明白的（不感兴趣可以直接略过）：
用C#实现最小二乘法✨
创建数据点✨
首先创建想要拟合的数据点：
NDArray? x, y;
x,y为全局变量。
//使用NumSharp创建线性回归的数据集
x = np.arange(0, 10, 0.2);
y = 2 * x + 3 + np.random.normal(0, 3, x.size);
使用到了NumSharp，需要为项目添加NumSharp包：
x = np.arange(0, 10, 0.2);
的意思是x从0增加到10（不包含10），步长为0.2：
np.random.normal(0, 3, x.size);
的意思是生成了一个均值为0，标准差为3，数量与x数组长度相同的正态分布随机数数组。这个数组被用作线性回归数据的噪声。
使用OxyPlot画散点图✨
OxyPlot是一个用于在.NET应用程序中创建数据可视化图表的开源图表库。它提供了丰富的功能和灵活性，使开发者能够轻松地在其应用程序中集成各种类型的图表，包括折线图、柱状图、饼图等。
添加OxyPlot.WindowsForms包：
将PlotView控件添加到窗体设计器上：
// 初始化散点图数据
var scatterSeries = new ScatterSeries
{
MarkerType = MarkerType.Circle,
MarkerSize = 5,
MarkerFill = OxyColors.Blue
};
表示标志为圆形，标志用蓝色填充，标志的大小为5。
for (int i = 0; i < x.size; i++)
{
scatterSeries.Points.Add(new ScatterPoint(x[i], y[i]));
}
添加数据点。
PlotModel? plotModel;
将plotModel设置为全局变量。
// 创建 PlotModel
plotModel = new PlotModel()
{
Title = "散点图"
};
plotModel.Series.Add(scatterSeries);
// 将 PlotModel 设置到 PlotView
plotView1.Model = plotModel;
这样就成功绘制了散点图，效果如下所示：
使用最小二乘法拟合数据点✨
double a = 0;
double c = 0;
double x_mean = x?.mean();
double y_mean = y?.mean();
//计算a和c
for(int i = 0; i < x?.size; i++)
{
a += (x[i] - x_mean) * (y?[i] - y_mean);
c += (x[i] - x_mean) * (x[i] - x_mean);
}
//计算斜率和截距
double m = a / c;
double b = y_mean - m * x_mean;
//拟合的直线
var y2 = m * x + b;
套用公式就可以，a表示上面斜率公式的上面那部分，c表示上面斜率公式的下面那部分。
double x_mean = x?.mean();
double y_mean = y?.mean();
计算x与y的平均值。
使用OxyPlot画拟合出来的直线✨
//画这条直线
var lineSeries = new LineSeries
{
Points = { new DataPoint(x?[0], y2[0]), new DataPoint(x?[-1], y2[-1]) },
Color = OxyColors.Red
};
// 创建 PlotModel
plotModel?.Series.Add(lineSeries);
// 为图表添加标题
if (plotModel != null)
{
plotModel.Title = $"拟合的直线 y = {m:0.00}x + {b:0.00}";
}
// 刷新 PlotView
plotView1.InvalidatePlot(true);
Points = { new DataPoint(x?[0], y2[0]), new DataPoint(x?[-1], y2[-1]) },
画直线只要添加两个点就好了x?[0], y2[0]表示x和y的第一个点，x?[-1], y2[-1]) 表示x和y的最后一个点，使用了NumSharp的切片语法。
画出来的效果如下所示：
C#实现的全部代码：
using NumSharp;
using OxyPlot.Series;
using OxyPlot;
namespace OlsRegressionDemoUsingWinform
{
public partial class Form1 : Form
{
NDArray? x, y;
PlotModel? plotModel;
public Form1()
{
InitializeComponent();
}
private void button1_Click(object sender, EventArgs e)
{
//使用NumSharp创建线性回归的数据集
x = np.arange(0, 10, 0.2);
y = 2 * x + 3 + np.random.normal(0, 3, x.size);
// 初始化散点图数据
var scatterSeries = new ScatterSeries
{
MarkerType = MarkerType.Circle,
MarkerSize = 5,
MarkerFill = OxyColors.Blue
};
for (int i = 0; i < x.size; i++)
{
scatterSeries.Points.Add(new ScatterPoint(x[i], y[i]));
}
// 创建 PlotModel
plotModel = new PlotModel()
{
Title = "散点图"
};
plotModel.Series.Add(scatterSeries);
// 将 PlotModel 设置到 PlotView
plotView1.Model = plotModel;
}
private void button2_Click(object sender, EventArgs e)
{
double a = 0;
double c = 0;
double x_mean = x?.mean();
double y_mean = y?.mean();
//计算a和c
for(int i = 0; i < x?.size; i++)
{
a += (x[i] - x_mean) * (y?[i] - y_mean);
c += (x[i] - x_mean) * (x[i] - x_mean);
}
//计算斜率和截距
double m = a / c;
double b = y_mean - m * x_mean;
//拟合的直线
var y2 = m * x + b;
//画这条直线
var lineSeries = new LineSeries
{
Points = { new DataPoint(x?[0], y2[0]), new DataPoint(x?[-1], y2[-1]) },
Color = OxyColors.Red
};
// 创建 PlotModel
plotModel?.Series.Add(lineSeries);
// 为图表添加标题
if (plotModel != null)
{
plotModel.Title = $"拟合的直线 y = {m:0.00}x + {b:0.00}";
}
// 刷新 PlotView
plotView1.InvalidatePlot(true);
}
}
}
用Python实现最小二乘法✨
import numpy as np
import matplotlib.pyplot as plt
# 用最小二乘法拟合 y = mx + b
# 设置随机数种子以保证结果的可复现性
np.random.seed(0)
# 生成一个在[0, 10]区间内均匀分布的100个数作为x
x = np.linspace(0, 10, 100)
# 生成y，y = 2x + 噪声，其中噪声是[0, 10)之间的随机整数
y = 2 * x + 5 + np.random.randint(0, 10, size=100)
# 计算x和y的均值
x_mean = np.mean(x)
y_mean = np.mean(y)
a = 0
c = 0
for i in range(x.shape[0]):
a += (x[i] - x_mean) * (y[i] - y_mean)
c += (x[i] - x_mean) ** 2
# 计算斜率和截距
m = a / c
b = y_mean - m * x_mean
# 画这条直线
y2 = m * x + b
plt.plot(x, y2, color='red')
# 画数据点
plt.scatter(x, y)
plt.xlabel('x')
plt.ylabel('y')
plt.title(f'y = {m:.2f}x + {b:.2f}')
plt.show()
运行效果如下所示：
总结✨
本文向大家介绍了最小二乘法以及公式推导的过程，并使用C#与Python进行实现。重点介绍了C#中是如何实现的，同时介绍了在C#中如何使用OxyPlot绘图。希望对你有所帮助。
参考✨
1、Understanding Ordinary Least Squares (OLS) Regression | Built In
2、Machine Learning Series-Linear Regression Ordinary Least Square Method - YouTube
