python 直线拟合，求残差，画出直线和点

### 使用Python进行线性回归拟合、计算残差并绘制直线与散点图为了实现线性回归模型的拟合以及可视化，可以利用`numpy`库来完成数据处理和矩阵运算，同时借助`matplotlib`库来进行绘图操作。以下是具体方法： #### 数据准备假设我们有一组关于葡萄酒的数据集，其中包含密度(`density`)和酒精含量(`alcohol`)作为输入特征，而目标变量为质量评分(`quality`)。 ```python import numpy as np import matplotlib.pyplot as plt # 假设这是我们的样本数据 data = { 'density': [0.99, 0.98, 0.97, 0.96, 0.95], 'alcohol': [12.8, 13.2, 13.4, 13.8, 14.0], 'quality': [6, 6, 7, 8, 8] } X = np.array(data['density']).reshape(-1, 1) # 输入特征 y = np.array(data['quality']) # 输出标签 ``` #### 添加截距项在构建线性回归模型之前，通常需要向自变量矩阵\( X \)中添加一列全为1的数值以便于估计截距系数[^1]。 ```python ones_column = np.ones((X.shape[0], 1)) X_with_intercept = np.hstack([ones_column, X]) ``` #### 计算回归参数通过最小二乘法求解最佳拟合直线对应的斜率和截距值。此过程涉及矩阵转置及逆运算。 ```python coefficients = np.linalg.inv(X_with_intercept.T.dot(X_with_intercept)).dot(X_with_intercept.T).dot(y) intercept = coefficients[0] slope = coefficients[1] print(f'Intercept: {intercept}, Slope: {slope}') ``` #### 预测与误差分析基于得到的最佳拟合方程预测因变量，并进一步评估其准确性——即计算实际观测值同理论预期之间的差异程度（称为残差）。 ```python predicted_y = X_with_intercept.dot(coefficients) residuals = y - predicted_y plt.scatter(predicted_y, residuals) plt.axhline(0, color='red', linestyle='--') plt.xlabel('Predicted Values') plt.ylabel('Residuals') plt.title('Residual Plot') plt.show() ``` #### 可视化结果最后一步就是把原始数据点连同所建立起来的经验规律共同展示出来，从而直观感受两者间的关系状况如何。 ```python plt.figure(figsize=(8, 6)) # 绘制真实数据分布情况 plt.scatter(X[:, 0], y, label="Actual Data Points", alpha=0.7) # 构造用于描绘趋势线的一系列坐标位置 sorted_indices = np.argsort(X[:, 0].flatten()) trend_x = X[sorted_indices][:, 0] trend_y = trend_x * slope + intercept # 描画出最终形成的回归曲线图像 plt.plot(trend_x, trend_y, color="orange", linewidth=2, label=f"Fitted Line (Slope={slope:.2f})") plt.legend(fontsize=12) plt.grid(True) plt.xlabel("Density") plt.ylabel("Quality Rating") plt.title("Linear Regression Fit Between Density & Quality Ratings") plt.tight_layout() plt.show() ``` 上述代码片段展示了完整的流程：从加载数据到执行必要的预处理步骤；接着采用正规方程式推导最优权重组合；再者检验剩余部分是否存在异常模式；直至最后呈现图形化的总结信息给读者查看。 ---

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

下一篇 python中怎么能让文件夹下的多个文件夹挨个循环并挨个进入文件夹里