2.多元线性回归
2.1算法原理
多元线性回归考虑了样本有超过1维属性的特征,即某个样本 x i x_i xi的属性向量为 ( x i 1 ; x i 2 ; . . . ; x i d ) (x_{i1};x_{i2};...;x_{id}) (xi1;xi2;...;xid)。
多元线性模型试图学得一个通过属性的线性组合来进行预测的函数: f ( x ) = w 1 x 1 + w 2 x 2 + . . . + w d x d + b = w T x + b f(\boldsymbol{x})=w_1x_1+w_2x_2+...+w_dx_d+b=\boldsymbol{w^{T}x}+b f(x)=w1x1+w2x2+...+wdxd+b=wTx+b
简化处理:
- 把 w w w和 b b b吸收入向量形式 w ^ = ( w , b ) \hat{\boldsymbol{w}}=(\boldsymbol{w},b) w^=(w,b)
- 相应的,把数据集 D \mathbb{D} D表示为一个$m\times d+1 大 小 的 矩 阵 大小的矩阵 大小的矩阵\boldsymbol{X}$,其中每行对应于一个示例,该行前d个元素对应于示例的d个属性值,最后一个元素恒置为1,即:
- 标签也写成向量形式: y = ( y 1 ; y 2 ; . . . ; y m ) \boldsymbol{y}=(y_1;y_2;...;y_m) y=(y1;y2;...;ym)
故,转化为 y = f ( x ^ i ) = w ^ x ^ i \mathbf y=f(\mathbf {\hat x_i})=\mathbf {\hat w}\mathbf {\hat x_i} y=f(x^i)=w^x^i
2.2策略(构建loss function )
最小二乘法
将其进行向量化,则求解参数的loss function为:
向量化 E w ^ E_{\hat{\boldsymbol{w}}} Ew^
w ^ ∗ = a r g m i n w ^ ( E w ^ ) = a r g m i n w ^ ( y − X w ^ ) T ( y − X w ^ ) \bold {\hat w^*}=\mathop{argmin}\limits_\bold {\hat w}(E_\bold {\hat w})=\mathop{argmin} \limits_\bold {\hat w}(\bold y-\bold X\bold {\hat w})^T(\bold y-\bold X\bold {\hat w}) w^∗=w^argmin(Ew^)=w^argmin(y−Xw^)T(y−Xw^)
2.3求解参数
a.简要说明
b.详细推导
1.证明 E w ^ E_{\hat{\boldsymbol{w}}} Ew^为凸函数
矩阵微分证明可参考:
2.凸函数求最值
同样利用求导的方法求解最值。