最小二乘法求线性回归方程是什么？

1. 最小二乘法求线性回归方程是什么？

最小二乘法求线性回归方程为a=y(平均)-b*x（平均）。
最小二乘法公式是一个数学的公式，在数学上称为曲线拟合，此处所讲最小二乘法，专指线性回归方程！最小二乘法公式为a=y(平均)-b*x（平均）。
最小二乘法（又称最小平方法）是一种数学优化技术。它通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。

普通最小二乘估计量具有上述三特性：
1、线性特性
所谓线性特性，是指估计量分别是样本观测值的线性函数，亦即估计量和观测值的线性组合。
2、无偏性
无偏性，是指参数估计量的期望值分别等于总体真实参数。
3、最小方差性
所谓最小方差性，是指估计量与用其它方法求得的估计量比较，其方差最小，即最佳。最小方差性又称有效性。这一性质就是著名的高斯一马尔可夫（ Gauss-Markov）定理。这个定理阐明了普通最小二乘估计量与用其它方法求得的任何线性无偏估计量相比，它是最佳的。

2. 最小二乘法求线性回归方程的公式是什么？

最小二乘法求线性回归方程为a=y(平均)-b*x（平均）。
最小二乘法公式是一个数学的公式，在数学上称为曲线拟合，此处所讲最小二乘法，专指线性回归方程！最小二乘法公式为a=y(平均)-b*x（平均）。
最小二乘法（又称最小平方法）是一种数学优化技术。它通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。

普通最小二乘估计量具有上述三特性：
1、线性特性
所谓线性特性，是指估计量分别是样本观测值的线性函数，亦即估计量和观测值的线性组合。
2、无偏性
无偏性，是指参数估计量的期望值分别等于总体真实参数。
3、最小方差性
所谓最小方差性，是指估计量与用其它方法求得的估计量比较，其方差最小，即最佳。最小方差性又称有效性。这一性质就是著名的高斯一马尔可夫（ Gauss-Markov）定理。这个定理阐明了普通最小二乘估计量与用其它方法求得的任何线性无偏估计量相比，它是最佳的。

3. 线性回归最小二乘法的公式是如何推导的

最小二乘法是一种数学优化技术，它通过最小化误差的平方和找到一组数据的最佳函数匹配。 
最小二乘法是用最简的方法求得一些绝对不可知的真值，而令误差平方之和为最小。 
最小二乘法通常用于曲线拟合。很多其他的优化问题也可通过最小化能量或最大化熵用最小二乘形式表达。 

比如从最简单的一次函数y=kx+b讲起 
已知坐标轴上有些点(1.1,2.0),(2.1,3.2),(3,4.0),(4,6),(5.1,6.0),求经过这些点的图象的一次函数关系式. 
当然这条直线不可能经过每一个点,我们只要做到5个点到这条直线的距离的平方和最小即可,这这就需要用到最小二乘法的思想.然后就用线性拟合来求.讲起来一大堆,既然你只问最小二乘法,我就讲这么多. 

这是大学里才学的内容,一般用于建模

4. 如何用最小二乘法求解回归方程？

因为查看此知识点的人较多，我对原答案进行了一些补充

求出上图公式中的系数a和b，即可得到回归方程。
tips：Σ读作sigma或“西格玛”，意为求和。Σ上方表示上界，下方表示下界，在本例中即意味着从i=1开始，一直到i=n为止，将西格玛后面的式子进行累加。如果题干没有歧义，上/下界也可以忽略不写。而Σ的作用域仅仅为后面的第一个式子，这里的式子可以理解为一个“乘除表达式”，而非“加减表达式”，这也是记忆该最小二乘法计算方法的关键！该公式的计算步骤在追问&追答中有，下面补充一个例子。
问：设n=2，k1=3，k2=6，h=5。求Σki+h、Σ(ki+h)、Σki*h+h的值？
解：我将西格玛的拆分式用符号[ ]框起来
①Σki+h=[ Σki ]+h=[ (k1) + (k2) ]+h=[ (3) + (6) ]+5=14
②Σ(ki+h)=[ Σ(ki+h) ]=[ (k1+h) + (k2+h) ]=[ (3+5) + (6+5) ]=19
③Σki*h+h=[ Σki*h ]+h=[ (k1*h) + (k2*h) ] +h=[ (3*5) + (6*5) ]+5=50
也就是Σ只对它后面的第一个乘法因子有效，倘若后面出现了+或-，则那些部分不在Σ的作用域内。当然还要记住括号可以把一个较长的加减表达式理解为一个乘除表达式（例如②），即理解为一个单一的乘法因子。

5. 线性回归中最小二乘法问题？

1.直观上:将平方和类比为y=nx^2. 这个函数有最大值吗?并没有。
2.式子中的x和y 都是通过观察得到的观测值，是已知数据。
f(x,y)=ax+by a,b是常数，求f(x,y)的极值，要对x,y求偏导。
f(a,b)=ax+by x,y是常数，求.f(a,b)的极值，要对a,b,求偏导。

6. 最小二乘法线性回归曲线

最小二乘法（又称最小平方法）是一种数学优化技术。它通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。最小二乘法还可用于曲线拟合。其他一些优化问题也可通过最小化能量或最大化熵用最小二乘法来表达。最小二乘法的基本公式:

7. 用最小二乘法求线性回归 拜托啊~~~~~急求

b=0.31   a=0.73/3
y=0.73/3 x+0.31

8. 最小二乘法求线性回归方程中的系数a，b怎么求

用最小二乘法求回归直线方程中的a,b有下面的公式：

最小二乘法：总离差不能用n个离差之和来表示，通常是用离差的平方和，即作为总离差，并使之达到最小，这样回归直线就是所有直线中Q取最小值的那一条，这种使“离差平方和最小”的方法，叫做最小二乘法：
由于绝对值使得计算不变，在实际应用中人们更喜欢用：Q=（y1-bx1-a）²+（y2-bx-a²）+。。。+（yn-bxn-a）²
这样，问题就归结于：当a，b取什么值时Q最小，即到点直线y=bx+a的“整体距离”最小。
扩展资料：
回归分析的最初目的是估计模型的参数以便达到对数据的最佳拟合。在决定一个最佳拟合的不同标准之中，最小二乘法是非常优越的。这种估计可以表示为：
1)样本是在母体之中随机抽取出来的。
2)因变量Y在实直线上是连续的，
3)残差项是独立同分布的，也就是说，残差是独立随机的，且服从高斯分布。
这些假设意味着残差项不依赖自变量的值，所以  和自变量X（预测变量）之间是相互独立的。在这些假设下，建立一个显示线性回归作为条件预期模型的简单线性回归方程，可以表示为：
给一个随机样本  ，一个线性回归模型假设回归子  和回归量  之间的关系是除了X的影响以外，还有其他的变数存在。我们加入一个误差项  （也是一个随机变量）来捕获除了  之外任何对 的影响。
参考资料：百度百科——线性回归方程