机器学习笔记（二）——多变量最小二乘法

最新推荐文章于 2024-08-17 18:56:24 发布

_Kevin_Duan_

最新推荐文章于 2024-08-17 18:56:24 发布

阅读量1.4w

点赞数 5

分类专栏：机器学习文章标签：机器学习算法最小二乘法

本文链接：https://blog.csdn.net/chunyun0716/article/details/50759532

版权

机器学习专栏收录该内容

30 篇文章 12 订阅

订阅专栏

在上一节中，我们介绍了最简单的学习算法——最小二乘法去预测奥运会男子100米时间。但是可以发现，它的自变量只有一个：年份。通常，我们所面对的数据集往往不是单个特征，而是有成千上万个特征组成。那么我们就引入特征的向量来表示，这里涉及到矩阵的乘法，向量，矩阵求导等一些线性代数的知识。

一. 将拟合函数由单变量改写为多变量

设我们的拟合函数

f (x i; ω) = ω T x i

$f(\boldsymbol{x_i}; \boldsymbol{\omega}) = \boldsymbol{\omega}^T\boldsymbol{x_i}$

其中， $\boldsymbol{w}$ 表示拟合函数的参数， $\boldsymbol{x_i}$ 表示数据集中第i条数据。

对于上节中的 $f(x;a,b) = ax + b$ ,我们可以令

ω = [a b], x i = [x 1]

$\boldsymbol{\omega} = \begin{bmatrix} a\\b \end{bmatrix}, \boldsymbol{x_i} = \begin{bmatrix} x\\1 \end{bmatrix}$

则这两个函数等价。为了方便推导，我们在损失函数前边加上 $\frac{1}{N}$ ,由于N是定值，它代表数据集的记录数。那么，损失函数可以写为：

L = 1 N \sum i = 1 N (y i - ω T x i) 2 = 1 N (y - X ω) T (y - X ω) （ 1 ）

$L=\frac{1}{N}\sum_{i=1}^{N}(y_i-\boldsymbol{\omega^Tx_i})^2=\frac{1}{N}(\boldsymbol{y}-\boldsymbol{X\omega})^T(\boldsymbol{y}-\boldsymbol{X\omega}) （1）$
那么上式的推导过程也很简单，令

X = ⎡ ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ x T 1 x T 2 ⋮ x T n ⎤ ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ = ⎡ ⎣ ⎢ ⎢ ⎢ ⎢ 11 ⋮ 1 x 1 x 2 ⋮ x n ⎤ ⎦ ⎥ ⎥ ⎥ ⎥

$\boldsymbol{X}=\begin{bmatrix} \boldsymbol{x_1^T} \\ \boldsymbol{x_2^T} \\ \vdots\\ \boldsymbol{x_n^T} \end{bmatrix} =\begin{bmatrix} 1 & x_1\\ 1 & x_2\\ \vdots & \vdots\\ 1 & x_n \end{bmatrix}$

y = ⎡ ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ y 1 y 2 ⋮ y n ⎤ ⎦ ⎥ ⎥ ⎥ ⎥ ⎥, ω = [ω 0 ω 1]

$\boldsymbol{y}=\begin{bmatrix} y_1\\ y_2\\ \vdots\\ y_n \end{bmatrix}, \boldsymbol{\omega}=\begin{bmatrix} \omega_0\\ \omega_1 \end{bmatrix}$

带入（1）式即可得证，此处略过。

二.多特征下求解参数 $\boldsymbol{\omega}$

L = 1 N (y - X ω) T (y - X ω) = 1 N (y T - ω T X T) (y - X ω) = 1 N (y T y - y T X ω - ω T X T y + ω T X T X ω) = 1 N (ω T X T X ω - 2 ω T X T y + y T y) (2)

$\begin{align} L&=\frac{1}{N}(\boldsymbol{y}-\boldsymbol{X\omega})^T(\boldsymbol{y}-\boldsymbol{X\omega}) \\ &=\frac{1}{N}(\boldsymbol{y^T-\omega^TX^T})(\boldsymbol{y}-\boldsymbol{X\omega})\\ &=\frac{1}{N}(\boldsymbol{y^Ty-y^TX\omega-\omega^TX^Ty+\omega^TX^TX\omega})\\ &=\frac{1}{N}(\boldsymbol{\omega^TX^TX\omega-2\omega^TX^Ty+y^Ty})(2) \end{align}$
我们的目标是让损失函数最小，即求（2）的最小值，我们对

ω $\boldsymbol{\omega}$ 求偏导数，令其等于0，就可以求出

L $L$ 取得极小值时参数

ω $\boldsymbol{\omega}$ 的值。

\partial L \partial ω = 1 N (2 X T X ω - 2 X T y) = 0 (3) \Rightarrow X T X ω = X T y \Rightarrow ω = (X T X) - 1 X T y

$\frac{\partial{L}}{\partial{\boldsymbol{\omega}}}=\frac{1}{N}(2\boldsymbol{X^TX\omega-2X^Ty})=0(3)\\ \Rightarrow\\ \boldsymbol{X^TX\omega=X^Ty}\\ \Rightarrow\\ \boldsymbol{\omega=(X^TX)^{-1}X^Ty}$
至此，我们已经求出了参数值，接下来就可以预测了。

至于(3)的求导，注意以下求导公式即可：