【线性回归】线性代数角度解释最小二乘法

本文从线性代数的角度深入探讨最小二乘法。通过广告与销量的关系为例,建立线性回归模型,解释矩阵形式的表达。几何分析中指出,由于观测值不完全在列空间内,最小二乘法通过寻找欧氏距离最小的解,实现观测值与拟合值间的正交投影,最终得到β的表达式。
摘要由CSDN通过智能技术生成

第一:背景

 问题:广告和销量之间的关系?

 数据集:特征包含三块:电视广告xt,网络广告xm,楼宇广告xf,因变量销量记作y。

         
           数据集样本数为m。

第二:拟合线性回归模型

          y’ = β0  +  β1 * xt  +  β2 * xm  +  β3 * xf  

          写成矩阵形式:Xβ=y‘

          解释:X就是形状m*4的矩阵【因为加入了一个β0这截距项,所以第一是m个1】,

                     β是一个包含四个元素的向量【β0,β1,β2,β3】

                     y'是一个包含m个元素的向量 【y1,y2,,,,,y3】

第三:几何分析

1、X是构成的列空间COL(X)属于R m 子空间。且COL(X)的秩为4。

  • 2
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
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