通俗易懂理解最小二乘法的本质

1 日用而不知

来看一个生活中的例子。比如说，有五把尺子：

用它们来分别测量一线段的长度，得到的数值分别为（颜色指不同的尺子）：

之所以出现不同的值可能因为：
不同厂家的尺子的生产精度不同
尺子材质不同，热胀冷缩不一样
测量的时候心情起伏不定
…
总之就是有误差，这种情况下，一般取平均值来作为线段的长度：

日常中就是这么使用的。可是作为很事’er的数学爱好者，自然要想下：
这样做有道理吗？
用调和平均数行不行？
用中位数行不行？
用几何平均数行不行？

2 最小二乘法

换一种思路来思考刚才的问题。

首先，把测试得到的值画在笛卡尔坐标系中，分别记作yi:

其次，把要猜测的线段长度的真实值用平行于横轴的直线来表示（因为是猜测的，所以用虚线来画），记作y:

每个点都向y做垂线，垂线的长度就是|y-yi| ，也可以理解为测量值和真实值之间的误差：

因为误差是长度，还要取绝对值，计算起来麻烦，就干脆用平方来代表误差：

误差的平方和就是：

因为y 是猜测的，所以可以不断变换：

自然，误差的平方和在不断变化的
法国数学家，阿德里安-马里·勒让德提出让总的误差的平方最小的y就是真值，这是基于，如果误差是随机的，应该围绕真值上下波动（关于这点可以看下“如何理解无偏估计？”）。
勒让德的想法变成代数式就是：

这个猜想也蛮符合直觉的，来算一下。

这是一个二次函数，对其求导，导数为0的时候取得最小值：

进而：

正好是算术平均数。

原来算术平均数可以让误差最小啊，这下看来选用它显得讲道理了。
以下这种方法：

就是最小二乘法，所谓“二乘”就是平方的意思，台湾直接翻译为最小平方法。

3 推广

算术平均数只是最小二乘法的特例，适用范围比较狭窄。而最小二乘法用途就广泛。
比如温度与冰淇淋的销量：

看上去像是某种线性关系：

可以假设这种线性关系为：

通过最小二乘法的思想：

上图i,x,y分别为：

总误差的平方为：

不同的a,b 会导致不同的S，根据多元微积分的知识，当：

这个时候S^2取最小值。
对于a,b而言，上述方程组为线性方程组，用之前的数据解出来：

也就是这根直线：

其实，还可以假设：

在这个假设下，可以根据最小二乘法，算出a,b,c，得到下面这根红色的二次曲线：

同一组数据，选择不同的f(x) ，通过最小二乘法可以得到不一样的拟合曲线（出处）：

不同的数据，更可以选择不同的f(x)，通过最小二乘法可以得到不一样的拟合曲线：

f(x)也不能选择任意的函数，还是有一些讲究的，这里就不介绍了。