最小二乘法，通常用在我们已知数学模型，但是不知道模型参数的情况下，通过实测数据，计算数学模型，例如，在题目中，数学模型就是直线方程y=ax+b，但是不知道直线方程的a和b。本来呢，我们只需要两组（xi,yi），就可以解得a和b，但是由于实测数据都存在误差，所以，我们很容易想到一个办法，我们测很多组数据来让我的a和b更加准确。“我们测很多组数据来让我的a和b更加准确” ，那么我从数学角度如何体现这句话呢？比如在此例中，已知数学模型 y=ax+b我们有很多组数据，那么我们要找一条直线，使得我们测得的每个数据，到这条直线的偏离量的总和最小。（这句话有点拗口，慢慢理解下）那么怎么用数学描述“偏离量总和最小”这个概念呢？数学家运用了方差！
数学模型 y=ax+b设F=ax+b-y那么对于模型上的点(注意是模型上的点，也就是理论值)，F=ax+b-y=0但是对于实际值来说，F=axi+b-yi 一定不等于0。那么我们就要找到一对a和b，使得F尽可能接近于0。也就是说，“偏离量总和最小”这个概念，在数学上实际上就是要求F的方差最小。即 Σ F^2→0 （F的平方和趋近于0）即 Σ(axi+b-yi)^2→0那么我们得到一个方程f(a,b)=Σ(axi+b-yi)^2，我们要找到合适的a,b使得f(a,b)最小！也就是说，我们要找到的实际上是f(a,b)的最小值点。（因为方差不可能小于0）因此我们需要求f(a,b)的极值点。我们借助数学工具偏导。如果有一组a,b使得 ∂f(a,b)/∂a=0∂f(a,b)/∂b=0那么f(a,b)就是极值点，如果a,b只有一对，那么它就是最小值点。即 ∂( Σ(axi+b-yi)^2 )/∂a=0∂( Σ(axi+b-yi)^2 )/∂b=0化简得到a*Σxi^2 + b*Σxi = Σ(xi*yi)a*Σxi + b*N = Σyi其中N是(xi,yi)的个数。即我们测了多少组数据 解上面的二元方程，我们就可以得到唯一的一组a,b啦，这就是我们所需要的a和bO(∩_∩)O~是不是蛮简单的？
Matlab最基础的程序如下：
%原始数据X=[163123150123141];Y=[186126172125148];n=5;%一共5个变量x2=sum(X.^2); % 求Σ(xi^2)x1=sum(X);% 求Σ(xi)x1y1=sum(X.*Y);% 求Σ(xi*yi)y1=sum(Y);% 求Σ(yi)a=(n*x1y1-x1*y1)/(n*x2-x1*x1);%解出直线斜率b=(y1-a*x1)/nb=(y1-a*x1)/n; %解出直线截距%作图% 先把原始数据点用蓝色十字描出来figureplot(X,Y,'+');hold on% 用红色绘制拟合出的直线px=linspace(120,165,45);%这里直线区间根据自己实际需求改写py=a*px+b;plot(px,py,'r');
结果 a=1.5555 b=-66.365
