线性回归——最小二乘法的不同理解

JCHEN161

已于 2024-02-21 00:43:49 修改

阅读量835

点赞数 27

文章标签：线性回归最小二乘法机器学习

于 2024-02-20 01:01:42 首次发布

本文链接：https://blog.csdn.net/mrforth/article/details/136161685

版权

本文探讨了机器学习中最小二乘法的应用，从几何角度解释了为何寻找参数使误差平方和最小，以及如何从概率视角（频率学派）理解，结合高斯噪声和最大似然。文章还提及了贝叶斯学派的不同处理方式。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1. 写在前面

最近在上机器学习中的数学这门课。虽然前面的矩阵部分与我大学四年学习的线性代数部分有较大重合部分，但是这门课让我更好认识到向量和矩阵的实际应用情况，解决了很多为什么的问题，而不是为了刷题。在这里，我更了解到了最小二乘法在线性回归中的由来，与此同时结合我之前了解到的高斯噪声和最大似然，我发现了很有意思的一点。

2. 几何视角

假设有 $(x_1,y_1), (x_2,y_2), (x_3,y_3)......(x_n,y_n)$ ，如果我们要线性拟合这些点，那么我们用最小二乘法可以有 $argmin\sum_{i=1}^{n}(\beta_0+\beta_1x_1+...+\beta_nx_n-y_i)^2$ ，我们需要找到一组参数使得该式达到最小。我们不妨把该式写成这样的形式：