本文实例讲述了基于PHP实现的多元线性回归模拟曲线算法。分享给大家供大家参考,具体如下:
多元线性回归模型: y = b1x1 + b2x2 + b3x3 +...... +bnxn;
我们根据一组数据: 类似 arr_x = [[1, 2, 3, 4, 5], [6, 7, 8, 9, 10], [11, 12, 13, 14, 15]]; arr_y = [5, 10, 15]; 我们最后要求出的是一个数组,包含了从b1 到bn;
方法:利用最小二乘法
式中的X就是arr_x,二维数组我们可以把它看成是一个矩阵,式中的y就是arr_y,也把它看成一个矩阵(5, 10, 15) ,不过应该是竖着写的。
然后可以根据公式我们会发现要用到矩阵的相乘,转置,求逆;所以下面的代码一一给出:
public function get_complement($data, $i, $j) { /* x和y为矩阵data的行数和列数 */ $x = count($data); $y = count($data[0]); /* data2为所求剩余矩阵 */ $data2 =[]; for ($k = 0; $k < $x -1; $k++) { if ($k < $i) { for ($kk = 0; $kk < $y -1; $kk++) { if ($kk < $j) { $data2[$k][$kk] = $data[$k][$kk]; } else { $data2[$k][$kk] = $data[$k][$kk +1]; } } } else { for ($kk = 0; $kk < $y -1; $kk++) { if ($kk < $j) { $data2[$k][$kk] = $data[$k +1][$kk]; } else { $data2[$k][$kk] = $data[$k +1][$kk +1]; } } } } return $data2; } /* 计算矩阵行列式 */ public function cal_det($data) { $ans = 0; if (count($data[0]) === 2) { $ans = $data[0][0] * $data[1][1] - $data[0][1] * $data[1][0]; } else { for ($i = 0; $i < count($data[0]); $i++) { $data_temp = $this->get_complement($data, 0, $i); if ($i % 2 === 0) { $ans = $ans + $data[0][$i] * ($this->cal_det($data_temp)); } else { $ans = $ans - $data[0][$i] * ($this->cal_det($data_temp)); } } } return $ans; } /*计算矩阵的伴随矩阵*/ public function ajoint($data) { $m = count($data); $n = count($data[0]); $data2 =[]; for ($i = 0; $i < $m; $i++) { for ($j = 0; $j < $n; $j++) { if (($i + $j) % 2 === 0) { $data2[$i][$j] = $this->cal_det($this->get_complement($data, $i, $j)); } else { $data2[$i][$j] = - $this->cal_det($this->get_complement($data, $i, $j)); } } } return $this->trans($data2); } /*转置矩阵*/ public function trans($data) { $i = count($data); $j = count($data[0]); $data2 =[]; for ($k2 = 0; $k2 < $j; $k2++) { for ($k1 = 0; $k1 < $i; $k1++) { $data2[$k2][$k1] = $data[$k1][$k2]; } } /*将矩阵转置便可得到伴随矩阵*/ return $data2; } /*求矩阵的逆,输入参数为原矩阵*/ public function inv($data) { $m = count($data); $n = count($data[0]); $data2 =[]; $det_val = $this->cal_det($data); $data2 = $this->ajoint($data); for ($i = 0; $i < $m; $i++) { for ($j = 0; $j < $n; $j++) { $data2[$i][$j] = $data2[$i][$j] / $det_val; } } return $data2; } /*求两矩阵的乘积*/ public function getProduct($data1, $data2) { /*$data1 为左乘矩阵*/ $m1 = count($data1); $n1 = count($data1[0]); $m2 = count($data2); $n2 = count($data2[0]); $data_new =[]; if ($n1 !== $m2) { return false; } else { for ($i = 0; $i <= $m1 -1; $i++) { for ($k = 0; $k <= $n2 -1; $k++) { $data_new[$i][$k] = 0; for ($j = 0; $j <= $n1 -1; $j++) { $data_new[$i][$k] += $data1[$i][$j] * $data2[$j][$k]; } } } } return $data_new; } /*多元线性方程*/ public function getParams($arr_x, $arr_y) { $final =[]; $arr_x_t = $this->trans($arr_x); $result = $this->getProduct($this->getProduct($this->inv($this->getProduct($arr_x_t, $arr_x)), $arr_x_t), $arr_y); foreach ($result as $key => $val) { foreach ($val as $_k => $_v) { $final[] = $_v; } } return $final; }
最后的getParams()
方法就是最后求b参数数组的方法,传入一个二维数组arr_x, 和一个一维数组arr_y就可以了。
这一般用于大数据分析,根据大数据来模拟和预测下面的发展和走势。
PS:这里为大家推荐两款相关模拟曲线工具供大家参考:
在线多项式曲线及曲线函数拟合工具:
http://tools.jb51.net/jisuanqi/create_fun
在线绘制多项式/函数曲线图形工具:
http://tools.jb51.net/jisuanqi/fun_draw
更多关于PHP相关内容感兴趣的读者可查看本站专题:《PHP数据结构与算法教程》、《php程序设计算法总结》、《php字符串(string)用法总结》、《PHP数组(Array)操作技巧大全》、《PHP常用遍历算法与技巧总结》及《PHP数学运算技巧总结》
希望本文所述对大家PHP程序设计有所帮助。
广告合作:本站广告合作请联系QQ:858582 申请时备注:广告合作(否则不回)
免责声明:本站资源来自互联网收集,仅供用于学习和交流,请遵循相关法律法规,本站一切资源不代表本站立场,如有侵权、后门、不妥请联系本站删除!
免责声明:本站资源来自互联网收集,仅供用于学习和交流,请遵循相关法律法规,本站一切资源不代表本站立场,如有侵权、后门、不妥请联系本站删除!
暂无评论...
更新日志
2024年11月25日
2024年11月25日
- 凤飞飞《我们的主题曲》飞跃制作[正版原抓WAV+CUE]
- 刘嘉亮《亮情歌2》[WAV+CUE][1G]
- 红馆40·谭咏麟《歌者恋歌浓情30年演唱会》3CD[低速原抓WAV+CUE][1.8G]
- 刘纬武《睡眠宝宝竖琴童谣 吉卜力工作室 白噪音安抚》[320K/MP3][193.25MB]
- 【轻音乐】曼托凡尼乐团《精选辑》2CD.1998[FLAC+CUE整轨]
- 邝美云《心中有爱》1989年香港DMIJP版1MTO东芝首版[WAV+CUE]
- 群星《情叹-发烧女声DSD》天籁女声发烧碟[WAV+CUE]
- 刘纬武《睡眠宝宝竖琴童谣 吉卜力工作室 白噪音安抚》[FLAC/分轨][748.03MB]
- 理想混蛋《Origin Sessions》[320K/MP3][37.47MB]
- 公馆青少年《我其实一点都不酷》[320K/MP3][78.78MB]
- 群星《情叹-发烧男声DSD》最值得珍藏的完美男声[WAV+CUE]
- 群星《国韵飘香·贵妃醉酒HQCD黑胶王》2CD[WAV]
- 卫兰《DAUGHTER》【低速原抓WAV+CUE】
- 公馆青少年《我其实一点都不酷》[FLAC/分轨][398.22MB]
- ZWEI《迟暮的花 (Explicit)》[320K/MP3][57.16MB]