在李航的《统计学习方法》中多项式拟合偏导函数推导存在的疑问

在阅读李航的《统计学习理论 第二版》1.42过拟合与模型选择中遇到的一个问题。

​​​

这段公式的推导让我费解，于是我开始了自己的验证。

前提：用多项式函数对已知数据的拟合。

设拟合函数为：
$$f(x)=w_0{x}^0+w_1{x}^1+w_2{x}^2+....+w_m{x}^m={\Sigma }_{i=0}^m{w}_j{x}^j$$
设数据集为：
$$dataset=\{(x_1,y_1),(x_2,y_2),(x_3,y_3)...(x_n,y_n)\}$$
设损失函数为：
$$Loss:L=\frac{1}{2}{\Sigma }_{i=1}^n[f(x_i)-y_i{]}^2$$
求闭式解的思路很简单，对$w_j$​求偏导，令其为0即可得到结果，但其中涉及一些棘手的求和符号内求导的问题，很容易出错，所以有必要把每个过程都搞清楚。

首先带入$f(x)$，其中$x_i^j$为第$i$个数据的$j$次幂，即$(x_i{)}^j$
$$L=\frac{1}{2}{\Sigma }_{i=1}^n[{\Sigma }_{j=0}^m{w}_j{x}_i^j-y_i{]}^2$$
对$w_j$求偏导：
$$\frac{\partial L}{\partial w_j}={\Sigma }_{i=1}^n[{\Sigma }_{j=0}^m{w}_j{x}_i^j-y_i]\cdot \frac{\partial {\Sigma }_{j=0}^m{w}_j{x}_i^j}{\partial w_j}$$
$\frac{\partial {\Sigma }_{j=0}^m{w}_j{x}_i^j}{\partial w_j}$这个偏导的结果可以直接对$w_j$求偏导并去掉求和符号，即为$x_i^j$。取简单的情况验证，也的确符合这个结果。

故上式变为：
$$\frac{\partial L}{\partial w_j}={\Sigma }_{i=1}^n[{\Sigma }_{j=0}^m{w}_j{x}_i^j-y_i]\cdot x_i^j$$
可能有人疑惑，这里$x_i^j$不受求和符号控制了，是否是错了，但实际上该偏导的结果是与$j$有关的，存在不受求和符号控制的关于$j$的因子是正常的。继续变形得到：
$$\frac{\partial L}{\partial w_j}={\Sigma }_{i=1}^n{x}_i^j[{\Sigma }_{j=0}^m{w}_j{x}_i^j]-{\Sigma }_{i=1}^n{y}_i\cdot x_i^j$$
接下来的变形需要将$w_j$从求和符号中拿出来：
$$\frac{\partial L}{\partial w_j}={\Sigma }_{i=1}^n{x}_i^j[{\Sigma }_{k=0,k\ne j}^m{w}_k{x}_i^k+w_j{x}_i^j]-{\Sigma }_{i=1}^n{y}_i\cdot x_i^j$$
之后的变形就方便许多了：
$$\frac{\partial L}{\partial w_j}={\Sigma }_{i=1}^n[{\Sigma }_{k=0,k\ne j}^m{w}_k{x}_i^{k+j}]+{\Sigma }_{i=1}^n{w}_j{x}_i^{2j}-{\Sigma }_{i=1}^n{y}_i\cdot x_i^j=0$$
至此，直接移项就可得到结果：
$${\Sigma }_{i=1}^n{w}_j{x}_i^{2j}={\Sigma }_{i=1}^n{y}_i\cdot x_i^j-{\Sigma }_{i=1}^n[{\Sigma }_{k=0,k\ne j}^m{w}_k{x}_i^{k+j}]$$
$w_j$可以直接拿出来：
$$w_j=\frac{{\Sigma }_{i=1}^n{y}_i\cdot x_i^j-{\Sigma }_{i=1}^n[{\Sigma }_{k=0,k\ne j}^m{w}_k{x}_i^{k+j}]}{{\Sigma }_{i=1}^n{x}_i^{2j}}$$

这个结果很奇怪既不优美，而且和这本书的作者写的不一样，和我搜到的其他博客，得到的结果也不一样，比如这位大佬。仔细查看了一下，发现他与我在最开始对
$$\frac{\partial {\Sigma }_{j=0}^m{w}_j{x}_i^j}{\partial w_j}$$
这个偏导的结果大相径庭。但我觉得如果我对这个偏导的对象理解没有错，我的结果（至少这部分）应该是正确的。接下来的我决定用程序验证一下，在此暂时记录一下。。。