最小二乘法公式用于在回归分析中找到最佳拟合曲线或平面，通过最小化预测值和实际观测值之间差的平方和来确定模型的最佳参数。以下是线性最小二乘法的基本公式：
斜率公式
\[
b = \frac{N\sum xy - \sum x \sum y}{N\sum x^2 - （\sum x）^2}
\]
其中，\（ N \） 是数据点的数量，\（ \sum xy \） 是所有 \（ x \） 和 \（ y \） 乘积的总和，\（ \sum x \） 是所有 \（ x \） 值的总和，\（ \sum y \） 是所有 \（ y \） 值的总和，\（ \sum x^2 \） 是所有 \（ x \） 值的平方总和。
截距公式
\[
a = \bar{y} - b\bar{x}
\]
其中，\（ \bar{x} \） 和 \（ \bar{y} \） 分别是 \（ x \） 和 \（ y \） 的均值。
这些公式适用于线性回归问题，即当因变量 \（ y \） 和自变量 \（ x \） 之间的关系可以表示为线性方程 \（ y = ax + b \） 时。通过最小化残差平方和，可以找到最佳拟合的直线，使得预测值与实际观测值之间的差异最小化。
建议在实际应用中，首先计算 \（ x \） 和 \（ y \） 的均值，然后利用上述公式计算斜率 \（ b \） 和截距 \（ a \），从而得到最佳拟合直线。