文章结构如下:
1: 最小二乘法的原理与要解决的问题
2 :最小二乘法的矩阵法解法
3:最小二乘法的几何解释
4:最小二乘法的局限性和适用场景
5: 案例python实现
6:参考文献
1: 最小二乘法的原理与要解决的问题
最小二乘法是由勒让德在19世纪发现的,形式如下式:
观测值就是我们的多组样本,理论值就是我们的假设拟合函数。目标函数也就是在机器学习中常说的损失函数,我们的目标是得到使目标函数最小化时候的拟合函数的模型。举一个最简单的线性回归的简单例子,比如我们有
个只有一个特征的样本:
样本采用一般的
为
次的多项式拟合,
为参数
最小二乘法就是要找到一组
使得
(残差平方和) 最小,即,求
2 :最小二乘法的矩阵法解法
最小二乘法的代数法解法就是对
求偏导数,令偏导数为0,再解方程组,得到
。矩阵法比代数法要简洁,下面主要讲解下矩阵法解法,这里用多元线性回归例子来描:
假设函数
的矩阵表达方式为:
其中, 假设函数
为
的向量,
为
的向量,里面有
个代数法的模型参数。
为
维的矩阵。
代表样本的个数,
代表样本的特征数。
损失函数定义为