最小二乘法的简单理解【几何角度&优化角度】

本文从几何和优化两个角度解释最小二乘法。当线性方程组无解时,最小二乘法寻找列空间内与目标向量最接近的解,即最小化误差向量的范数。在优化角度看,最小二乘法对应线性拟合的凸二次代价函数,通过梯度为零确定最小化条件。
摘要由CSDN通过智能技术生成

【几何上的理解】

我们用最小二乘法,一般是在求解线性方程组时使用。往往这时的独立方程个数会多于自由变量的个数,导致没有解存在。

 

考察这样一个方程组:Ax=b,其中A是m行n列的矩阵,x和b均为n维向量。该方程组有解,充分必要于b可以由A的列向量组线性表出,对应的系数就是解向量x的各个分量。在该方程组无解时,b就不能用A的列向量组线性表出,也就是说b不在A的列空间里。

 

我们的目的就是,在无解的情况下,寻找到一个尽量“近似”的解。

 

为此,我们可以在A的列空间里找到一个向量y,使得 || b-y || 最小,那么y就是A的列空间里和b“差别最小”的向量。既然Ax=b无解,我们就用Ax=y来替代它。由于y是和b“差别最小”的向量,这样Ax=y得到的解,在某种程度上就是一个尽量“近似”的解。

 

又由几何知识知道,y就是b在A的列空间的投影。由此容易得到最小二乘解的方程:A^TAx=A^Tb

 

综上,最小二乘法的本质就是:求得右端项b在A的列空间里的投影y,并用y来代替b作为右端项,作为原方程的一个近似。

 

【优化角度】

在优化角度,相当于线性拟合一个数据集。我们用的代价函数则是:

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值