我正在比较C++和Python计算的数值结果。在C++中，我使用LAPACK的sgels函数来计算线性回归问题的系数。在Python中，我使用Numpy的linalg.lstsq函数执行类似的任务。
sgels和linalg.lstsq使用的方法在数学上有什么区别？
数值比较结果(即回归系数)时的预期误差(如6位有效数字)是多少？
仅供参考：我绝不是C++或Python专家，这让我很难理解函数内部的情况。
看看numpy的来源，在文件linalg.py中，lstsq依赖LAPACK的zgelsd()表示复杂，dgelsd()表示真实。以下是与sgels():的区别
dgelsd()用于double，而sgels()用于float。精度有差异- CCD_ 8利用矩阵A的QR因子分解。矩阵的条件数必须是合理的，才能得到显著的结果。请参阅本课程以了解该方法的逻辑。另一方面，
dgelsd()利用了A的奇异值分解。特别地，A可以是秩定义的，并且根据附加参数rcond或机器精度来讨论小奇异值。请注意，numpy对rcond的默认值是-1：负值表示机器精度。有关逻辑，请参阅本课程 - 根据LAPACK的基准，on可以预期
dgels()比dgelsd()快大约5倍
如果矩阵条件不好，您可能会看到sgels()和dgelsd()的结果之间存在显著差异。事实上，线性回归的误差有一个界限，它取决于所使用的算法和rcond()的值。有关误差估计，请参阅LAPACK的用户指南"线性最小二乘问题的误差界"，有关技术详细信息，请参阅"进一步详细信息：线性最小二乘问题误差界"。
总之，如果b中的度量是准确的并且容易与解释变量相关，则可以使用sgels()和dgels()。例如，如果传感器被放置在排气管的出口处，就很容易猜测哪些电机在运行。但有时，来源和测量之间的线性联系并不精确(A术语的不确定性)，或者根据测量来区分污染者变得更加困难(一些污染者远离传感器组，A条件不好)。在这种情况下，dgelsd()和调整rcond参数会有所帮助如有疑问，请使用dgelsd()，并根据LAPACK的用户指南估计估计的x上的误差