概率观点看最小二乘

最新推荐文章于 2023-03-08 17:54:33 发布

xieshangxin

最新推荐文章于 2023-03-08 17:54:33 发布

阅读量276

点赞数 1

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/89285014

版权

本文从概率角度探讨数据拟合中的最小二乘法，指出误差源于数据的随机性，噪声假设服从高斯分布。通过最大似然估计，推导出最小二乘法的优化过程，揭示最小二乘法内在的统计假设。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

对于数据拟合而言，误差来源于数据的随机性，也就是说，我们的训练数据是带有噪声的，现在假设，噪声服从高斯分布 $\varepsilon \sim N(0,\sigma ^{2})$ , 所以有 $Y= W^{T}X + \epsilon$ 令 $f(X)=W^{T}X$ 所以条件概率 $Y|X,W \sim N(W^{T}X,\sigma ^{2})))$ 。假设样本数独立同分布的，使用最大似然估计MLE, L(w) = logp(Y|X,W) , 将各个样本带入，并展开，消去一些与W优化无关的项，便可以得到

$\hat{w} = argmax L(w) = argmin||Y-W^{T}X||^{2}$ 就转化成了最小二乘最初的定义。也就是说最小二乘估计隐含了噪声服从高斯分布的假设。 $LSE\leftrightarrow MLE （噪声是高斯分布）$ 噪声服从是高斯分布

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。