最小二乘的几何解释

最新推荐文章于 2025-02-27 20:00:35 发布

xieshangxin

最新推荐文章于 2025-02-27 20:00:35 发布

阅读量1.5k

点赞数

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/xieshangxin/article/details/89185721

版权

本文介绍了最小二乘法在线性回归中的应用。通过几何解释，阐述了最小二乘估计如何找到最佳回归系数，即将目标变量Y视为不在p维子空间上的点，而回归过程是在该子空间内寻找最接近Y的投影点，从而最小化误差。在N维空间中，这一过程等价于寻找使得Y与T之间欧式距离最小的向量w。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

最小二乘主要用来做线性回归。

数据集形式为：(X,T),X ,T 分别代表自变量与因变量。用矩阵来表示训练数据时，往往每行代表一个数据。假设w 是回归系数，与x的维数相同。那么最小二乘估计形式为： $L(W) = \sum \left \| W^{^{T}}X^{_{i}}-T_{i} \right \|$ ，L是loss function，包含了训练数据的所有误差，把误差分散在每个训练数据上。L(W）展开后的形式为：

$L(W)=W^{T}X^{T}XW-2W^{T}X^{T}Y+Y^{^{T}}Y$ 。对展开式关于W求导后令倒数为0，得到 $W= (X^{T}X)^{-1}X^{T}Y$ 这就是回归系数的解析解。

下面我们看下几何解释：

最低0.47元/天解锁文章

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

打赏作者

xieshangxin 你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20

扫码支付：¥1

获取中

扫码支付

您的余额不足，请更换扫码支付或充值

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。