在https://math.stackexchange.com/a/2233298/340174中提到，如果通過 LU 分解完成線性方程“M·x = b”（矩陣 M 是平方）的求解速度很慢（但使用 QR 甚至更慢）分解）?，F在我注意到numpy.linalg.solve實際上是在使用 LU 分解。事實上，我想為最小二乘的非平方 Vandermonde 設計矩陣 V 求解“V·x = b”。我不想正則化。我看到多種方法：numpy.linalg.lstsq使用基于 SVD 的 Fortran "xGELSD"求解 "V·x = b" 。SVD 應該比 LU 分解還要慢，但我不需要計算“(V^T·V)”。numpy.linalg.solve使用 LU 分解求解 "(V^T·V)·x = (V^T·b)" 。用 求解“A·x = b” numpy.linalg.solve，使用LU分解，但直接根據https://math.stackexchange.com/a/3155891/340174計算“A=xV^T·V”或者，我可以使用 scipy 的最新solve版本（https://docs.scipy.org/doc/scipy-1.2.1/reference/generated/scipy.linalg.solve.html），它可以對對稱矩陣“A "（我猜這比使用 LU 分解要快），但是我的 scipy 停留在 1.1.0 上，所以我無法訪問它。從https://stackoverflow.com/a/45535523/4533188看來，它似乎solve比 快lstsq，包括計算“V^T·V”，但是當我嘗試它時，lstsq速度更快。也許我做錯了什么？解決線性問題的最快方法是什么？沒有真正的選擇statsmodels.regression.linear_model.OLS.fit是使用 Moore-Penrose 偽逆或 QR-factorization + np.linalg.inv+ np.linalg.svd+ numpy.linalg.solve，這對我來說似乎不太有效。sklearn.linear_model.LinearRegression 使用 scipy.linalg.lstsq。scipy.linalg.lstsq 也使用 xGELSD。我預計計算“(V^T·V)”的倒數會非常昂貴，所以我放棄了“x = (V^T·V)^-1·(V^T·b)”的直接計算