单纯的最小二乘法对于包含噪声的学习过程经常会有过拟合的弱点。因此往往采用带有约束条件的最小二乘法。
在有参数的线性模型:
把参数空间限制在一定范围内 约束条件: 在这里P是满足的b*b维矩阵,表示的是矩阵p的值域R(P)的正交投影矩阵。通过附加这样的约束条件,参数就不会偏移到值域R(P)的范围外了。
https://www.cnblogs.com/sddai/p/6055433.html
https://baike.baidu.com/item/%E6%AD%A3%E4%BA%A4%E6%8A%95%E5%BD%B1/6542245?fr=aladdin
https://blog.csdn.net/shenziheng1/article/details/72934925
rand('state',0);randn('state',0);
n=50;N=1000;x=linspace(-3,3,n)';X=linspace(-3,3,N)';
pix=pi*x;y=sin(pix)./(pix)+0.1*x+0.2randn(n,1);
p(:,1)=ones(n,1);P(:,1)=ones(N,1);
for j=1:15
p(:,2*j)=sin(j/2*x);p(:,2*j+1)=cos(j/2*x);
P(:,2*j)=sin(j/2*X);P(:,2*j+1)=cos(j/2*X);
end
t1=p\y;F1=P*t1;
t2=(p*diag(ones(1,11) zeros(1,20)]))\y; F2=P*t2;
figure(1);clf;hold on;axis([-2.8 2.8 -0.8 1.2]);
plot(X,F1,'g-'); plot(X,F2,'r--');plot(x,y,'bo');
legend('LS','Subspace-Constrained LS');