最近在做裝置負載**，考慮到負載波動，需要拿出近似增長率來計算未來數天的裝置負載增長狀況，想想看以前的數學都沒有學好，演算法也沒有搞好，只能求助同事和百度google，最終還是折騰出來了。
最小二乘法公式
下面**簡單列舉歷史10個點來計算該裝置負載增長率：
1 23 4
5 67 8
9 10
11 12
13 14
15 16
17 18
19 20
21 22
23 24
25
//y座標值表示裝置歷史負載
$y=array(52.09, 52.4, 53.29, 54.22, 55.15, 55.83, 56.89, 56.98, 57.55, 57.8);
//x座標值表示順序天數
$x=array(1, 2, 3, 4, 5, 6, 7, 8, 9, 10);
//計算x和y均值
$ax=array_sum($x)/count($x);
$ay=array_sum($y)/count($y);
//計算斜率公式中的分母(em)和分子(ez)
$em= 0;
$ez= 0;
for($i= 0;$i
//分母求和
$em+= (($x[$i] -$ax) * ($y[$i] -$ay));
//分子求和
$ez+= pow(($x[$i] -$ax), 2);
} //斜率0.69
echo$em/$ez;
//第十乙個點**負載值58.34
echo$em/$ez* 10 +$ay- ($em/$ez)*$ax;
很多概念都不甚懂，反正數學是沒有學好的，找來公式代一代，嘿嘿，還算可以，對於波動比較大的就比較難以**，這個近似值還是很有參考意義的。
回歸 最佳擬合直線與區域性線性回歸
回歸可以做任何事，例如銷售量 或者製造缺陷 具體的做法是用回歸係數乘以輸入值，再將結果全部加在一起，就得到了 值。其中，求回歸係數的過程就是回歸，一旦有了回歸係數，再給定輸入，做 就很容易了。1.收集資料 2.準備資料 3.分析資料 4.訓練演算法 找到回歸係數 5.測試演算法 可使用 值和資料的擬...
線性回歸計算回歸係數
線性回歸 優點 結果易於理解，計算上不複雜 缺點 對非線性的資料擬合不好 適用資料型別 數值型和標稱型資料 標稱型資料 一般在有限的資料中取，而且只存在 是 和 否 兩種不同的結果 一般用於分類 數值型資料 可以在無線的資料中取，而且數值比較具體化，例如4.02,6.23這種值 一般用於回歸分析 回...
用Pytorch訓練線性回歸模型
假定我們要擬合的線性方程是 y 2x 1 x 0,1,2,3,4,5,6,7,8,9,10,11,12,13,14 y 1,3,5,7,9,11,13,15,17,19,21,23,25,27,29 import torch import torch.nn as nn from torch.auto...