python 最小二乘法拟合平面_机器学习-线性回归1-普通最小二乘法

线性回归

1 线性回归的定义

监督学习中，如果预测的变量是离散的，我们称其为分类（如决策树，支持向量机等），如果预测的变量是连续的，我们称其为回归。回归分析中，如果只包括一个自变量和一个因变量，且二者的关系可用一条直线近似表示，这种回归分析称为一元线性回归分析。如果回归分析中包括两个或两个以上的自变量，且因变量和自变量之间是线性关系，则称为多元线性回归分析。对于二维空间线性是一条直线；对于三维空间线性是一个平面，对于多维空间线性是一个超平面。

对于一元线性回归模型，假设从总体中获取了

组观察值

，对于平面中的这

个点，可以用无数条曲线来拟合。要求样本回归函数尽可能好地拟合这组值。综合起来看，这条直线处于样本数据的中心位置最合理。

选择最佳拟合曲线的标准可以确定为：使总的拟合误差（即总残差）达到最小。有以下三个标准可以选择：

• 用“残差和最小”确定直线位置是一个途径。但很快发现计算“残差和”存在相互抵消的问题。
• 用“残差绝对值和最小”确定直线位置也是一个途径。但绝对值的计算比较麻烦。
• 最小二乘法的原则是以“残差平方和最小”确定直线位置。用最小二乘法除了计算比较方便外，得到的估计量还具有优良特性。这种方法对异常值非常敏感。

2 一元线性回归分析的普通最小二乘法

普通最小二乘法（Ordinary Least Squares，OLS）：所选择的回归模型应该使所有观测值得残差平方和达到最小，即采用残差平方和损失函数

首先介绍一元线性回归，定义数据为：