最小二乘法——线性回归
一、模型
二、推理步骤
第一步:计算预测值与实际值之间的差异
第二步:推广到多点,为了考虑计算的简便性,采用残差平方和作为模型的评价函数
第三步:当取最小值时,表示预测值与实际值最接近。凸函数的最小值通常在导数等于0处取得,因此,可以转换为:
令,
则
公式①
公式②
第四步:将公式①代入公式②得
三、C++实现
#include<Eigen\eigen>
#include<vector>
using namespace std;
/*Eigen*/
using Point2F = Eigen::Vector2f;
using Points2F = std::vector<Eigen::Vector2f>;
using Point3F = Eigen::Vector3f;
using Points3F = std::vector<Eigen::Vector3f>;
using Point2D = Eigen::Vector2d;
using Points2D = std::vector<Eigen::Vector2d>;
using Point3D = Eigen::Vector3d;
using Points3D = std::vector<Eigen::Vector3d>;
/*
Autor:Mosquitor
Date:2021-1-14
Function:2-D linear fit
k = (D0-D1)/(D2 - D3)
D0 = sum(x*y)
D1 = sum(x_mean*y_mean)
D2 = sum(x*x)
D3 = sum(x_mean*x_mean)
ParaInput[0]:2-D data,each row include(x,y)
ParaInput[1]:output result k;
ParaInput[2]:output result b;
*/
bool mosRM::linearFit2D(Points2D& inputData, double& k, double& b)
{
if (inputData.size() < 2)
return false;
double D0(0.0), D1(0.0), D2(0.0), D3(0.0);
double x_mean(0.0), y_mean(0.0);
for (auto pt : inputData)
{
x_mean += pt[0];
y_mean += pt[1];
D0 += pt[0] * pt[1];
D2 += pt[0] * pt[0];
}
x_mean /= inputData.size();
D1 = x_mean*y_mean;
D3 = x_mean*x_mean*inputData.size();
y_mean /= inputData.size();
if (D2 == D3)
{
k = 1;
b = 0;
}
k = (D0 - D1) / (D2 - D3);
b = y_mean - k*x_mean;
return true;
}