偏最小二乘回归提供一种多对多线性回归建模的方法，特别当两组变量的个数很多，且都存在多重相关性，而观测数据的数量（样本量）又较少时，用偏最小二乘回归建立的模型具有传统的经典回归分析等方法所没有的优点。

用于参数辨识研究，可以对多参数的非线性函数进行拟合与参数识别

基于最小二乘法的椭球拟合一直是网上流传的经典椭球拟合算法。

基于最小二乘法的椭球拟合一直是网上流传的经典椭球拟合算法。

tensorflow初学，一次线性函数拟合（代码）,大致训练了一个网络结构来拟合一次函数

利用RBF对函数进行拟合，同时实现非线性函数的回归

主要介绍了Python基于最小二乘法实现曲线拟合,涉及Python基于numpy及scipy库进行曲线拟合操作相关运算技巧,需要的朋友可以参考下

B样条曲线曲面拟合精选代码汇总

曲线拟合-最小二乘法 论文介绍

使用加权全最小二乘算法解决了将直线拟合到两个坐标均具有不确定性的数据的问题。 参数从通常的斜率/y 轴相交对转换为斜率角度和到原点的距离。 这样做的优点是 a) 确保全局收敛 b) 即使对于垂直线也能找到解决方案。 确定完整的不确定性矩阵（即拟合参数的方差和协方差）。 对于非垂直直线，还给出了通常的参数（斜率/y 轴相交）及其不确定性矩阵。 该算法对于精确测量特别有用，在这种测量中必须了解完整的不确定度矩阵。 该算法由德国 Physikalisch-Technische Bundesanstalt Braunschweig 的 M.Krystek 和 M.Anton 在 Measurement Science and Technology 18 (2007) pp3438-3442 中发表。 名为 pearson_york_tetdata.m 的附加脚本包含该问题的标准统计测试数据集（参见