西瓜书第三章\线性回归

目录

线性模型

线性回归

---

线性模型

        \(f(x)=\omega_{1}x_{1}+\omega _{2}x_{2}+...+\omega _{d}x_{d}+b\)

        \(f(x)=\omega _{}^{T}x+b\)  ， \(\omega =(\omega _{1};\omega _{2};...;\omega _{d}).\)

线性回归

有序多值离散特征：“高度”的取值高、中、低可转化为{1.0,0.5,0.0}；

无序多值离散特征：若有k个属性值，则转化为k维向量比如“瓜”的种类西瓜、南瓜、黄瓜可转化为（0，0，1）、（0，1，0）、（1，0，0）.

损失函数：

\(E(w,b)=\sum_ {i=1}^{m}(y_{i}-f(x_{i}))^2\)

使得损失函数最小的\(w\)和\(b\)为，

\((w_{}^{*},b_{}^{*})=\arg min\sum_{i=1}^{m}(y_{i}-wx_{i}-b)^2\)

最小二乘估计：找到一条直线使得所有样本到直线的欧氏距离之和最小，也就是寻找\(w\)和\(b\)使\(E(w,b)=\sum_ {i=1}^{m}(y_{i}-f(x_{i}))^2\)最小。

一元线性回归：将损失函数分别对和求导，得，

\(\frac{\partial E(w,b)}{\partial w}=2(w\sum_{i=1}^{m}x_{i}^{2}-\sum_{i=1}^{m}(y_{i}-b)x_{i})\)

\(\frac{\partial E(w,b)}{\partial b}=2(mb-\sum_{i=1}^{m}(y_{i}-wx_{i}))\)

联立求解得到，

\(w=\frac{\sum_{i=1}^{m}y_{i}x_{i}-\bar{y}\sum_{i=1}^{m}x_{i}}{\sum_{i=1}^{m}x_{i}^2-\bar{x}\sum_{i=1}^{m}x_{i}}\)

把\(\bar{y}\sum_{i=1}^{m}x_{i}=\bar{x}\sum_{i=1}^{m}y_{i}\)，\(\bar{x}\sum_{i=1}^{m}x_{i}=\frac{1}{m}(\sum_{i=1}^{m}x_{i})^2\)代入式子，得到，

\(w=\frac{\sum_{i=1}^{m}y_{i}(x_{i}-\bar{x})}{\sum_{i=1}^{m}x_{i}^2-\frac{1}{m}(\sum_{i=1}^{m}x_{i})^2}\)

\(b=\frac{1}{m}\sum_{i=1}^m(y_{i}-wx_i)\)

多元线性回归：令，

\(\hat{w}=(w;b)\)

\(X=\begin{pmatrix} x_1^T &1 \\ x_2^T&1 \\ ... & ...\\ x_m^T & 1 \end{pmatrix}\)

则，

\(f(x)=X\hat{w}\)

\(E_{\hat{w}}=(y-X\hat{w})^T(y-X\hat{w})\)

\(\hat{w}^*=\arg_{\hat{w}} min(y-X\hat{w})^T(y-X\hat{w})\)

对损失函数求导，

\(\frac{\partial E_{\hat{w}}}{\partial \hat{w}}=\frac{\partial y^Ty}{\partial \hat{w}}-\frac{\partial y^TX\hat{w}}{\partial \hat{w}}-\frac{\partial \hat{w}^TX^Ty}{\partial \hat{w}}+\frac{\partial \hat{w}^TX^TX\hat{w}}{\partial \hat{w}}\)

          \(=0-X^Ty-X^Ty+(X^TX+X^TX)\hat{w}\)

                                ​​​​​​​        ​​​​​​​      \(=2X^T(X\hat{w}-y)\)

当\(X^TX\)为满秩矩阵或正定矩阵时，令\(\frac{\partial E_{\hat{w}}}{\partial \hat{w}}\)为零，得到，

\(2X^T(X\hat{w}-y)=0\)

\(2X^TX\hat{w}=2X^Ty\)

\(\hat{w}^*=(X^TX)^{-1}X^Ty\)

故，

\(f(\hat{x_i})=X(X^TX)^{-1}X^Ty\) .