最小二乘估計法，又稱最小平方法，是一種數學最佳化技術。它透過最小化誤差的平方和尋找資料的最佳函式匹配。利用最小二乘估計法可以簡便地求得未知的資料，並使得這些求得的資料與實際資料之間誤差的平方和為最小。最小二乘估計法是對過度確定系統，即其中存在比未知數更多的方程組，以迴歸分析求得近似解的標準方法。在這整個解決方案中，最小二乘法演算為每一方程式的結果中，將殘差平方和的總和最小化。最重要的應用是在曲線擬合上。最小平方所涵義的最佳擬合，即殘差（殘差為：觀測值與模型提供的擬合值之間的差距）平方總和的最小化。當問題在自變數有重大不確定性時，那麼使用簡易迴歸和最小二乘法會發生問題；在這種情況下，須另外考慮變數-誤差-擬合模型所需的方法，而不是最小二乘法。最小平方問題分為兩種：線性或普通的最小二乘法，和非線性的最小二乘法，取決於在所有未知數中的殘差是否為線性。線性的最小平方問題發生在統計迴歸分析中；它有一個封閉形式的解決方案。非線性的問題通常經由迭代細緻化來解決；在每次迭代中，系統由線性近似，因此在這兩種情況下核心演算是相同的。最小二乘法所得出的多項式，即以擬合曲線的函式來描述自變數與預計應變數的變異數關係。當觀測值來自指數族且滿足輕度條件時，最小平方估計和最大似然估計是相同的。最小二乘法也能從動差法得出。迴歸分析的最初目的是估計模型的引數以便達到對資料的最佳擬合。在決定一個最佳擬合的不同標準之中，最小二乘估計法是非常優越的。
最小二乘估計法，又稱最小平方法，是一種數學最佳化技術。它透過最小化誤差的平方和尋找資料的最佳函式匹配。利用最小二乘估計法可以簡便地求得未知的資料，並使得這些求得的資料與實際資料之間誤差的平方和為最小。最小二乘估計法是對過度確定系統，即其中存在比未知數更多的方程組，以迴歸分析求得近似解的標準方法。在這整個解決方案中，最小二乘法演算為每一方程式的結果中，將殘差平方和的總和最小化。最重要的應用是在曲線擬合上。最小平方所涵義的最佳擬合，即殘差（殘差為：觀測值與模型提供的擬合值之間的差距）平方總和的最小化。當問題在自變數有重大不確定性時，那麼使用簡易迴歸和最小二乘法會發生問題；在這種情況下，須另外考慮變數-誤差-擬合模型所需的方法，而不是最小二乘法。最小平方問題分為兩種：線性或普通的最小二乘法，和非線性的最小二乘法，取決於在所有未知數中的殘差是否為線性。線性的最小平方問題發生在統計迴歸分析中；它有一個封閉形式的解決方案。非線性的問題通常經由迭代細緻化來解決；在每次迭代中，系統由線性近似，因此在這兩種情況下核心演算是相同的。最小二乘法所得出的多項式，即以擬合曲線的函式來描述自變數與預計應變數的變異數關係。當觀測值來自指數族且滿足輕度條件時，最小平方估計和最大似然估計是相同的。最小二乘法也能從動差法得出。迴歸分析的最初目的是估計模型的引數以便達到對資料的最佳擬合。在決定一個最佳擬合的不同標準之中，最小二乘估計法是非常優越的。