【MachineLearning】之 线性回归（理论）

Topic

1. 什么是线性回归？原理及实现
2. 什么是最小二乘法？
3. 最小二乘法代数求解
4. 最小二乘法矩阵求解

本篇是理论篇，实战篇：线性回归实战

一、线性回归

---

先来回想下： 回归
回归 面对的一群连续值，从这群连续的点钟找出误差最小的线，从而来预估其他点

通过找到一条直线去拟合数据点的分布趋势的过程，就是线性回归的过程

然而这种线可能会有很多，那么如何从中找出最合适的线呢？
找到红线？

二、最小二乘法代数求解

---

最小二乘法是用于求解线性回归拟合参数 w 的一种常用方法，（均方误差最小）

先来理解下 平方损失函数

$$y(x,w)=b+wx$$
对数据进行拟合时，得到拟合的整体误差（即蓝色线段的长度总和）

平方损失函数

如果一个数据点为（$x_i, y_i$），那么它对应的误差（损失）为：

$$y_i - (b + wx_i)$$

那么损失总和：

$$\sum_{i=1}^n(y_i−(b+wx_i))$$
更倾向于使用 均方误差 作为衡量损失的指标
$$\sum_{i=1}^n(y_i−(b+wx_i))^2$$

（1） 平方损失函数：

$$f = \sum_{i=1}^n(y_i−(b+wx_i))^2$$

（2）目标求 $min(f)$ 最小时， 对应的 $w$

分别对 w 和 b 求导，一阶偏导，并令其为零

$$\frac{\partial f}{\partial w}= 2 (w\sum_{i=1}^{n}x^{2} - \sum_{i=1}^{n}(y - b)x) = 0$$
$$\frac{\partial f}{\partial b}= 2 (mb - \sum_{i=1}^{n}(y - wx)) = 0$$

（3）求得：

$$w = \frac{\sum_{i=1}^{n}y(x-x_1)}{\sum_{i=1}^{n}x^{2} - \frac{1}{m}(\sum_{i=1}^{n}x)^{2}}$$
均值： $$x_1 = \frac{1}{n}\sum_{i=1}^{m} x$$
$$b = \frac{1}{m}\sum_{i=1}^{n}(y - wx)$$

（4）结果

这样，就求出了 平方损失函数最小时对应的 w 参数值，这也就是最佳拟合直线

三、 最小二乘法矩阵求解

为什么又要用矩阵来运算呢？代数计算方法不好吗？

1. 并不是代数计算方式不好，只是在小数据集情况下，二者运算的效率相近
2. 当面临 十万 或 百万规模的数据时，矩阵计算的效率就会高很多

（1）$y = wx + b$，表达矩阵形式为：

$$\left[ \begin{matrix} x1 & 1 \\ x2 & 1 \\ x3 & 1 \\ ...& ...\\ xn & 1 \end{matrix} \right] \tag{1}$$

即： $y = XW$

（2）平方损失函数 ： $f = \sum_{i=1}^n(y_i−(b+wx_i))^2$

$$f = \sum_{i=1}^n(y - XW)^2 = \sum_{i=1}^n(y - XW)^T(y-XW) \tag{2}$$

（3）对 矩阵求偏导数

$$f = 2 * X^TXW - 2 * X^Ty = 0 \tag{3}$$

注意：

这里将 W 看做是系数变量，即 $W^T = W$，W是常量，固定的W转置是等价的。

（4）求得

当 矩阵 $X^TX$ 满秩（先不考虑不满秩）时，$(X^TX)^{-1}X^TX = E$， 且 $EW = W$

所以， $(X^TX)^{-1}X^TXW = (X^TX)^{-1}X^Ty$

得到：

$$W = (X^TX)^{-1}X^Ty$$

最后

---

看到这边是否有些疲惫，奖励自己一杯肥仔快乐水吧！！！

下一篇将介绍 线性回归实战

加油！！！