我有几种矩阵：
A=np.array([[-4, -1, -3] ,[1, -4,5],[ 3,4,3],[-5, -1,2]])
b = np.array([[-1], [4],[-4],[-2]])
x=np.array([[ 0.58732799],[-1.19370936],[-0.22879177]])
我想计算残差，r = Ax-b
r=A@x-b
print(r)
[[ 0.53077272]
[ 0.21820656]
[ 0.30077121]
[-0.20051414]]
如果我遵循r的范数，则会得到：
print(np.linalg.norm(r))
0.678235
如果在中执行相同的操作numpy，则会得到不同的答案：
x,residuals,rank,sigma=np.linalg.lstsq(A,b,rcond=None);
print("Vector x:\n " + repr(x))
print(residuals)
Vector x:
array([[ 0.58732799],
[-1.19370936],
[-0.22879177]])
[0.46000302]
即，residuals不相同。有人知道为什么吗？
https://docs.scipy.org/doc/numpy/reference/generated/numpy.linalg.lstsq.html说：
残差：
残差之和；平方欧几里德2-范数
它是您在第一个示例中计算的平方。
>>> 0.678235 * 0.678235
0.460002715225
本文收集自互联网，转载请注明来源。
如有侵权，请联系[email protected] 删除。
我来说两句