时间:2021-05-20
本文实例讲述了C#直线的最小二乘法线性回归运算方法。分享给大家供大家参考。具体如下:
1.Point结构
在编写C#窗体应用程序时,因为引用了System.Drawing命名空间,其中自带了Point结构,本文中的例子是一个控制台应用程序,因此自己制作了一个Point结构
/// <summary>/// 二维笛卡尔坐标系坐标/// </summary>public struct Point{ public double X; public double Y; public Point(double x = 0, double y = 0) { X = x; Y = y; }}2.线性回归
/// <summary>/// 对一组点通过最小二乘法进行线性回归/// </summary>/// <param name="parray"></param>public static void LinearRegression(Point[] parray){ //点数不能小于2 if (parray.Length < 2) { Console.WriteLine("点的数量小于2,无法进行线性回归"); return; } //求出横纵坐标的平均值 double averagex = 0, averagey = 0; foreach (Point p in parray) { averagex += p.X; averagey += p.Y; } averagex /= parray.Length; averagey /= parray.Length; //经验回归系数的分子与分母 double numerator = 0; double denominator = 0; foreach (Point p in parray) { numerator += (p.X - averagex) * (p.Y - averagey); denominator += (p.X - averagex) * (p.X - averagex); } //回归系数b(Regression Coefficient) double RCB = numerator / denominator; //回归系数a double RCA = averagey - RCB * averagex; Console.WriteLine("回归系数A: " + RCA.ToString("0.0000")); Console.WriteLine("回归系数B: " + RCB.ToString("0.0000")); Console.WriteLine(string.Format("方程为: y = {0} + {1} * x", RCA.ToString("0.0000"), RCB.ToString("0.0000"))); //剩余平方和与回归平方和 double residualSS = 0; //(Residual Sum of Squares) double regressionSS = 0; //(Regression Sum of Squares) foreach (Point p in parray) { residualSS += (p.Y - RCA - RCB * p.X) * (p.Y - RCA - RCB * p.X); regressionSS += (RCA + RCB * p.X - averagey) * (RCA + RCB * p.X - averagey); } Console.WriteLine("剩余平方和: " + residualSS.ToString("0.0000")); Console.WriteLine("回归平方和: " + regressionSS.ToString("0.0000"));}3.Main函数调用
static void Main(string[] args){ //设置一个包含9个点的数组 Point[] array = new Point[9]; array[0] = new Point(0, 66.7); array[1] = new Point(4, 71.0); array[2] = new Point(10, 76.3); array[3] = new Point(15, 80.6); array[4] = new Point(21, 85.7); array[5] = new Point(29, 92.9); array[6] = new Point(36, 99.4); array[7] = new Point(51, 113.6); array[8] = new Point(68, 125.1); LinearRegression(array); Console.Read();}4.运行结果
希望本文所述对大家的C#程序设计有所帮助。
声明:本页内容来源网络,仅供用户参考;我单位不保证亦不表示资料全面及准确无误,也不保证亦不表示这些资料为最新信息,如因任何原因,本网内容或者用户因倚赖本网内容造成任何损失或损害,我单位将不会负任何法律责任。如涉及版权问题,请提交至online#300.cn邮箱联系删除。
线性回归在整个财务中广泛应用于众多应用程序中。在之前的教程中,我们使用普通最小二乘法(OLS)计算了公司的beta与相对索引的比较。现在,我们将使用线性回归来估
线性回归是机器学习中的基础算法之一,属于监督学习中的回归问题,算法的关键在于如何最小化代价函数,通常使用梯度下降或者正规方程(最小二乘法),在这里对算法原理不过
如果最小二乘线性回归算法最小化到回归直线的竖直距离(即,平行于y轴方向),则戴明回归最小化到回归直线的总距离(即,垂直于回归直线)。其最小化x值和y值两个方向的
前言最小二乘法LeastSquareMethod,做为分类回归算法的基础,有着悠久的历史(由马里·勒让德于1806年提出)。它通过最小化误差的平方和寻找数据的最
最小二乘法矩阵#!/usr/bin/envpython#-*-coding:utf-8-*-importnumpyasnpdefcalc_left_k_mat(