Content
线性回归的多重共线性
1. 前提
- 线性回归的矩阵表示
y = X T × ω y\ =\ X^{T}\ \times \ \omega y = XT × ω
假如有m个训练样本,则
- 损失函数的定义
在此,我们使用最常用的损失函数SSE(平方误差)来定义线性回归的损失函数
用矩阵表示:
S S E = ( y − X ω ) T ( y − X ω ) SSE=\left( y-X\omega \right)^{T} \left( y-X\omega \right) SSE=(y−Xω)T(y−Xω)
2. 由损失函数推导ω(基于最小二乘法OLS)
根据损失函数的定义,我们在线性回归中是想让损失函数越小越好,因此我们需要用极限(求导)的方式使得损失函数取到最小值。
L l o s s = S S E = ( y − X ω ) T ( y − X ω ) L_{loss} = SSE =\left(y-X\omega \right)^{T}\left(y-X\omega \right) Lloss=SSE=(y−Xω)T(y−Xω)
d L l o s s d ω → 0 \frac{\mathrm{d} L_{loss}}{\mathrm{d} \omega} \rightarrow 0